Introduction :
Les cancers primitifs hépatiques (PLC) comprennent le carcinome hépatocellulaire (CHC), le cholangiocarcinome intrahépatique (iCCA) et l’hépato-cholangiocarcinome (cHCC-CCA), défini par la présence de contingents de CHC et d’iCCA dans la même tumeur et dont le diagnostic peut être difficile en particulier sur biopsie de routine.
Cette étude visait à classer automatiquement des PLC sur des biopsies en utilisant une méthode d’intelligence artificielle d’apprentissage faiblement supervisée.

Patients et méthodes / ou matériel et méthodes :
Nous avons constitué une série de 119 biopsies de PLC divisée en cohorte d’entraînement et de validation de 90 et 29 cas, respectivement. Deux pathologistes ont examiné la lame entière numérisée (WSI) colorée en hématéine éosine safran (HES) pour chaque cas. Après avoir annoté les zones tumorales/non tumorales, des tuiles de 125 µm2 ont été extraites des WSI et ont servi de labels (faibles) pendant l’apprentissage, tandis que la dernière couche convolutionnelle du réseau a été utilisée pour extraire de nouvelles représentations des tuiles tumorales. Sans connaître les labels diagnostiques précis des PLC, nous avons ensuite appliqué un algorithme de clustering non supervisé aux nouvelles représentations extraites et exploré les résultats en utilisant différents nombres de clusters.

Résultats :
Tout d’abord, l’analyse histologique a permis de classer les cas inclus respectivement dans la cohorte d’entrainement et dans la cohorte de validation comme suit :  CHC (n=33 et n=11), iCCA (n=28 et n=9), et cHCC-CCA (n=29 et n=9). Nous avons ensuite analysé les résultats de la méthode faiblement supervisée proposée en utilisant 2 à 8 clusters. Aucun cluster spécifique associé au cHCC-CCA n’a été identifié. Dans le modèle à 2 clusters, le cluster 0 incluait des tuiles associées aux caractéristiques histologiques du CHC (76% des tuiles) et le cluster 1 incluait les tuiles associées aux caractéristiques histologiques de l’iCCA (92% des tuiles). Ce modèle à deux clusters a été évalué sur la cohorte de validation en quantifiant la proportion de cluster 0 (représentatif du CHC) et de cluster 1 (représentatif de l’iCCA). Pour les CHC et les iCCA, la concordance entre le diagnostic pathologique et la prédiction du modèle (contingent majoritaire) était respectivement de 100% pour les CHC (11/11 cas) et de 78% pour les iCCA (7/9 cas). Pour les cHCC-CCA, nous avons observé une proportion très variable de chaque cluster (cluster 0 : 5-90% ; cluster 1 : 9-94%). La concordance diagnostique des principaux contingents histologiques prédits par le modèle dans les cHCC-CCA était de 89% (8/9 cas).

Conclusion :
Cette étude montre qu’une méthode d’apprentissage faiblement supervisée appliquée aux biopsies de PLC peut identifier des caractéristiques morphologiques spécifiques du CHC et de l’iCCA. Bien qu’aucune caractéristique spécifique du cHCC-CCA n’ait été reconnue, l’évaluation de la proportion des tuiles de CHC et d’iCCA dans une lame pourrait permettre de faciliter l’identification des cHCC-CCA.

Les auteurs déclarent ne pas avoir de conflit d’intérêt

Remerciements :
Les auteurs remercient la laboratoire Bernouilli pour son soutien.

Références :
1. WHO classification of Tumours Editorial Board. Digestive system tumours [Internet]. 5th ed. Vol. vol.1. Lyon: International Agency for Research on cancer. Available from: https://publications.iarc.fr/Book-And-Report-Series/Who-Classification-Of-Tumours/Digestive-System-Tumours-2019
2. Beaufrère A, Calderaro J, Paradis V. Combined hepatocellular-cholangiocarcinoma: An update. J Hepatol. 2021 May;74(5):1212–24.
3. Calderaro J, Kather JN. Artificial intelligence-based pathology for gastrointestinal and hepatobiliary cancers. Gut. 2021 Jun;70(6):1183–93.
4. Ghaffari Laleh N, Muti HS, Loeffler CML, Echle A, Saldanha OL, Mahmood F, et al. Benchmarking weakly-supervised deep learning pipelines for whole slide classification in computational pathology. Med Image Anal. 2022 Jul;79:102474.

Figure 1 :