Détection et identification de Plasmodium falciparum sur des images microscopiques

Detection and identification of Plasmodiums on microscopic images

• Auteur / Autrice : Idir Aniss Acherar
• Direction : Renaud Piarroux, Xavier Tannier
• Type : Thèse de doctorat
• Discipline(s) : Science des données
• Date : Soutenance le 12/03/2024
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Pierre Louis de santé publique : épidémiologie et sciences de l'information biomédicale (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Institut Pierre Louis d'épidémiologie et de santé publique (Paris ; 2014-....)
• Jury : Président / Présidente : Nadjia Kachenoura
• Jury : Examinateurs / Examinatrices : Isabelle Coste-Villena
• Jury : Rapporteurs / Rapporteuses : Sandrine Houzé, Camille Kurtz

Mots clés

Mots clés contrôlés

Intelligence artificielle en biologie

Microscopie médicale

Diagnostic

Paludisme

Mots clés libres

Informatique

Paludisme

Intelligence artificielle

Imagerie microscopique

Artificial intelligence

Malaria diagnosis

Microscopic images

Résumé

L'utilisation du microscope dans le diagnostic du paludisme est depuis longtemps un outil essentiel pour les professionnels de la santé. Cependant, il existe des défis inhérents à cette méthode, notamment en termes de subjectivité et de variabilité des résultats dus à des facteurs tels que la qualité des frottis sanguins, les variations de coloration et la présence d'artefacts. De plus, l'interprétation des images de frottis sanguins peut varier en fonction de l'expertise de l'opérateur, ce qui souligne la nécessité d'explorer des approches plus objectives et reproductibles pour le diagnostic du paludisme. L'application future de l'apprentissage automatique et profond dans le diagnostic assisté par ordinateur du paludisme soulève une limitation majeure : ces modèles sont généralement validés sur des données de recherche, qui diffèrent considérablement des données cliniques de routine. Pour comprendre véritablement les performances de ces outils dans des contextes réels, il est impératif de les valider sur de vastes ensembles de données cliniques.La validation sur des ensembles de données cliniques revêt une importance capitale pour évaluer la capacité des modèles d'apprentissage automatique et profond à relever les défis spécifiques de la pratique clinique quotidienne. Les données issues de la routine peuvent varier considérable- ment en termes de qualité des frottis, d'images, de variations de coloration et d'artefacts, ce qui peut avoir une incidence sur la performance des modèles. Il est donc essentiel de tester ces modèles sur des ensembles de données cliniques réelles afin d'évaluer leur adaptabilité et leur fiabilité dans des situations concrètes.Dans notre première étude, nous avons créé une base de données d'images annotées, comprenant plus de 60 000 images, pour identifier les globules rouges parasités par Plasmodium falciparum et les composants sanguins non infectés. L'objectif était de garantir une représentation fidèle des conditions diagnostiques afin d'améliorer les performances des systèmes de classification. En contrôlant la diversité des images, nous avons pu améliorer la capacité des modèles à généraliser sur de nouveaux échantillons de patients. À l'aide d'une approche de validation croisée, nous avons évalué différentes architectures de modèles en utilisant notre base de données ainsi que celle mise en ligne par le National Institute of Health (NIH). Nous avons ensuite analysé la capacité des modèles entraînés sur chaque base de données à généraliser et à fournir des prédictions précises sur un ensemble de données cliniques indépendant comprenant des images de frottis sanguins issues de 200 patients différents. Dans notre deuxième étude, nous nous sommes concentrés sur la mesure automatique de la parasitémie, un facteur crucial dans le diagnostic du paludisme, en particulier pour les cas causés par Plasmodium falciparum. Nous avons proposé une méthode automatisée pour estimer la parasitémie en analysant un nombre prédéterminé de champs de frottis sanguins minces. Cette approche automatique standardise la mesure et réduit la subjectivité liée à l'interprétation manuelle. Parallèlement, nous avons identifié les limites des méthodes manuelles traditionnellement utilisées en routine pour mesurer la parasitémie sur les frottis sanguins minces, en raison de la variabilité significative dans l'interprétation et l'analyse microscopique, pouvant entraîner des erreurs et une fiabilité réduite dans le diagnostic.Enfin, nous avons comparé les performances de notre système proposé sur un ensemble de 102 patients. En évaluant sa corrélation avec deux autres méthodes, manuelles et semi-automatiques, nous avons démontré la validité et la fiabilité de notre approche automatique dans l'estimation de la parasitémie.

The use of microscopy in malaria diagnosis has long been an essential tool for healthcare professionals. However, this method comes with inherent challenges, particularly in terms of subjectivity and variability in results due to factors such as the quality of blood smears, variations in staining, and the presence of artifacts. Moreover, the interpretation of blood smear images can vary depending on the operator's expertise, highlighting the need to explore more objective and reproducible approaches for malaria diagnosis. The future application of machine learning and deep learning in computer-aided malaria diagnosis poses a significant limitation : these models are typically validated on research data, which significantly differs from routine clinical data. To truly understand the performance of these tools in real-world contexts, it is imperative to validate them on large clinical datasets.Validation on clinical datasets is of paramount importance to assess the ability of machine learning and deep learning models to address the specific challenges of daily clinical practice. Routine clinical data can vary significantly in terms of smear quality, image characteristics, staining variations, and artifacts, all of which can impact model performance. Therefore, it is essential to test these models on real clinical datasets to evaluate their adaptability and reliability in practical scenarios. In our first study, we created an annotated image database comprising over 60,000 images to identify Plasmodium falciparum infected red blood cells and uninfected blood components. The goal was to ensure a faithful representation of diagnostic conditions to enhance the performance of classification systems. By controlling image diversity, we improved the models' ability to generalize to new patient samples. Using a cross-validation approach, we evaluated different model architectures using our database and one made available by the NIH. Subsequently, we assessed the models' capacity to generalize and provide accurate predictions on an independent clinical dataset comprising blood smear images from 200 different patients.In our second study, we focused on the automated measurement of parasitemia, a crucial factor in malaria diagnosis, particularly for cases caused by Plasmodium falciparum. We proposed an automated method to estimate parasitemia by analyzing a predetermined number of thin blood smear fields. This automated approach standardizes measurements and reduces the subjectivity associated with manual interpretation. Concurrently, we identified the limitations of traditional manual methods used in routine practice to measure parasitemia on thin blood smears due to significant variability in microscopic interpretation and analysis, potentially leading to errors and reduced diagnostic reliability. Finally, we compared the performance of our proposed system on a dataset of 102 patients. By assessing its correlation with two other methods, manual and semi-automated, we demonstrated the validity and reliability of our automated approach in parasitemia estimation.