Score PD-L1 dans le cancer du poumon : TPS-Guard renvoie au pathologiste les lames où ses 15 modèles divergent, une piste solide testée sur un seul centre et un seul anticorps
Une équipe de l'Université de Warwick et des hôpitaux de Coventry présente un système qui calcule automatiquement le score PD-L1 (TPS) sur des lames de cancer du poumon non à petites cellules, puis envoie à un pathologiste, avec un motif, les estimations sur lesquelles 15 modèles divergent le plus. Sur 114 lames d'un seul centre non vues à l'entraînement, l'erreur du modèle (6,96 points) reste dans la fourchette de trois pathologistes (4,24 à 8,29), et son incertitude repère les lames sur lesquelles les pathologistes divergent eux-mêmes. L'idée de triage est solide, mais l'erreur triple sur des données externes colorées avec un autre anticorps, les alertes ont été réglées sur la cohorte qui sert à les évaluer, et aucune étude ne montre encore ce qu'elles changent au compte rendu réel.
Le contexte
Dans le cancer bronchique non à petites cellules (CBNPC) avancé, le choix d'une immunothérapie repose en partie sur un chiffre : le tumor proportion score (TPS), le pourcentage de cellules tumorales dont la membrane est marquée, même faiblement, par immunohistochimie anti-PD-L1 (une coloration qui révèle la protéine PD-L1 sur la lame). Deux seuils comptent : 1 % et 50 %. Au-dessus de 50 %, le pembrolizumab peut être proposé seul en première ligne.
Ce score est estimé à l'œil, et les pathologistes ne s'accordent pas toujours : il faut distinguer les cellules tumorales des macrophages, eux aussi marqués, repérer une coloration partielle et extrapoler sur des tissus hétérogènes, parfois une petite biopsie. Plusieurs études ont montré que l'écart entre lecteurs peut dépasser l'écart entre anticorps. Les outils automatiques existants (Hondelink et al. 2022, van Eekelen et al. 2024) mesurent un accord moyen sur une cohorte, sans dire quelle estimation individuelle mérite d'être revérifiée. C'est la question de ce préprint : un algorithme peut-il signaler ses propres doutes, et ces doutes coïncident-ils avec les cas difficiles pour l'humain ?
La méthode
Le système suit les étapes d'une lecture humaine. D'abord, délimiter la tumeur : les lames numérisées sont découpées en carrés (patches) de 224 × 224 pixels, décrits par Virchow2, un foundation model de pathologie (un grand réseau pré-entraîné sur des millions d'images de tissus, réutilisable pour de nombreuses tâches), puis classés en tumeur, non-tumeur ou zone riche en macrophages, cette dernière étant exclue. Ensuite, compter : le réseau D2Count-Net a deux branches, l'une qui détecte chaque cellule (efficace quand elles sont espacées), l'autre qui estime une carte de densité (plus fiable quand elles sont tassées), pondérées selon la densité du tissu. Le TPS est le nombre de cellules tumorales positives divisé par le total des cellules tumorales.
Enfin, TPS-Guard : quinze modèles entraînés indépendamment produisent chacun un TPS, et leur écart-type sert de mesure d'incertitude. Les 15 % de lames les plus incertaines sont envoyées au pathologiste, les autres sont « auto-rapportées », le pathologiste restant responsable de chaque compte rendu. Trois alertes indiquent un motif : sur-estimation possible autour de 1 %, sous-estimation possible autour de 50 %, ou trop peu de cellules tumorales analysées.
Les données viennent d'un seul hôpital, University Hospitals Coventry and Warwickshire : 154 lames de 152 patients (âge moyen 70 ans, 65 % de femmes), colorées avec l'anticorps SP263 et numérisées sur un unique scanner Philips. 45 % ont un TPS inférieur à 1 % et 14 % un TPS d'au moins 50 %. Les annotations cellulaires portent sur 42 lames et 50 615 noyaux, dont 6,2 % seulement de cellules tumorales positives. Trois pathologistes (seniors et en formation) ont noté chaque lame à l'aveugle ; la référence est la moyenne des trois. L'analyse principale porte sur les 114 lames jamais utilisées à l'entraînement, et le modèle comme chaque pathologiste sont aussi comparés à la moyenne des deux autres lecteurs. La validation externe utilise le jeu public IGNITE (Nimègue, Pays-Bas, et Negrar, Italie) : 98 régions de 21 patients, colorées avec E1L3N ou SP263, sur trois autres scanners.
Les résultats
Sur les 114 lames, l'erreur absolue moyenne (MAE, l'écart moyen en points de pourcentage avec la référence) est de 6,70 points, pour 6,41 points entre deux pathologistes. Face à la moyenne des deux autres lecteurs, les pathologistes obtiennent 4,24, 5,49 et 8,29 points, le modèle 6,96 : 0,95 point de plus qu'un pathologiste isolé (intervalle de confiance à 95 % : −0,53 à 2,48). Le modèle sous-estime les scores élevés (biais moyen de −5,0 points).
Le résultat central concerne l'incertitude. Elle est corrélée à l'erreur du modèle (corrélation de Spearman ρ = 0,77) et au désaccord entre pathologistes (ρ = 0,71). L'erreur moyenne passe de 0,6 point dans le quart des lames les moins incertaines à 16,4 points dans le quart le plus incertain. Après renvoi de 17 lames (14,9 %), l'erreur sur les 97 restantes tombe à 4,96 points, au niveau de l'écart entre pathologistes sur ces mêmes lames (4,93).
Aux seuils cliniques, le tableau est plus nuancé. Au seuil de 50 %, le modèle classe mal 5,6 % des lames, contre 6,1 % pour un pathologiste isolé ; au seuil de 1 %, 19,9 % contre 17,5 %. La sensibilité au seuil de 50 % (part des lames réellement ≥ 50 % reconnues comme telles) est de 10 sur 16, et le triage ne l'améliore pas : il renvoie quatre des six faux négatifs, mais aussi huit des dix vrais positifs. Traduction, selon nos calculs sur ces petits effectifs : sur 1 000 lames de même profil, environ 140 seraient au-dessus de 50 % et le modèle seul en classerait environ 50 en dessous, autant de patients pour qui l'immunothérapie seule pourrait ne pas être discutée sans relecture.
En externe, sans réentraînement, la MAE grimpe à 21,12 points : 11,06 sur les régions colorées au SP263, l'anticorps de développement, mais 29,66 sur l'E1L3N, jamais vu à l'entraînement. Un fine-tuning (réentraînement partiel sur des données locales) ne la ramène qu'à 19,05. Le classement par incertitude reste utile : en renvoyant de 10 % à 50 % des régions, l'erreur des cas restants passe de 20,5 à 12,4 points.
Ce qui est bien
Premièrement, la question est la bonne. Plutôt que de prétendre remplacer le pathologiste, l'article cherche quand le chiffre automatique est fiable, et le montre avec une mesure simple : le désaccord entre 15 modèles prédit à la fois l'erreur de la machine et la divergence humaine. Chaque alerte est accompagnée d'un motif lisible, ce qui en fait un outil de relecture plutôt qu'une boîte noire.
Deuxièmement, la comparaison aux lecteurs est honnête. Le modèle est jugé selon le même protocole que chaque pathologiste, face à la moyenne des deux autres, avec intervalles de confiance, et les résultats avec les notes d'origine (trois notes ont été corrigées après coup) sont publiés en annexe.
Troisièmement, les mauvaises nouvelles sont dans le texte principal : effondrement sur l'E1L3N, sensibilité médiocre à 50 %, fusion des deux branches battue par la détection seule après adaptation, déséquilibre des annotations. Le jeu externe est public, ce qui permet une comparaison indépendante.
Ce qui est moins bien
Premièrement, un biais de population au sens large. Un hôpital, un anticorps, un scanner, 114 lames d'évaluation : c'est étroit pour un outil destiné à des laboratoires qui emploient d'autres anticorps (22C3, E1L3N) et d'autres scanners. La validation externe le confirme : l'erreur triple, et comme anticorps, centre et scanner varient ensemble, on ne sait pas lequel est en cause. Les données de développement ne sont pas publiques et le code ne sera publié qu'après acceptation.
Deuxièmement, une fuite d'information dans le réglage des alertes. Les règles et le seuil de 15 % ont été définis sur la cohorte où leur efficacité est mesurée ; en externe, certains seuils ont été recalculés à partir des sorties du modèle sur le jeu de test lui-même. Les enrichissements rapportés (33 % de faux positifs parmi les lames signalées au seuil de 1 %, contre 11,4 % en moyenne ; 4 lames sur 8 au seuil de 50 %) sont donc optimistes, et les auteurs les qualifient d'exploratoires.
Troisièmement, une métrique trompeuse. Près de la moitié des lames sont sous 1 %, où l'erreur absolue est mécaniquement faible : la MAE moyenne flatte le modèle là où la décision la plus lourde se joue, au-dessus de 50 %, où la sensibilité n'est que de 0,63 sur 16 lames. Aucune étude de lecteurs avec et sans l'outil n'a été menée. Côté intérêts, David Snead, coauteur, est actionnaire et dirigeant de Histofy Ltd, société de pathologie numérique ; le financement déclaré est une bourse doctorale de Warwick. Virchow2 est distribué sous licence non commerciale (CC BY-NC-ND 4.0), ce qui compliquerait un usage commercial en l'état.
Ce que ça change
Pour la recherche, le travail déplace utilement la question, de « quelle est l'erreur moyenne ? » à « quelle estimation faut-il revérifier ? ». Le lien entre incertitude des modèles et désaccord humain vaut au-delà du PD-L1, pour d'autres scores semi-quantitatifs en pathologie comme Ki-67 ou HER2. La suite annoncée est la bonne : règles figées à l'avance, nouvelles lames, plusieurs centres, pathologistes avec et sans alertes.
Pour les cliniciens, rien ne change aujourd'hui : c'est un prototype de recherche, sans statut réglementaire, évalué rétrospectivement. L'étude rappelle surtout que le TPS humain est lui-même incertain près des seuils, et qu'un outil qui sous-estime les scores élevés serait dangereux sans relecture.
Pour les patients, la promesse à long terme est un score plus reproductible et une attention humaine concentrée sur les cas réellement ambigus. Mais dans un laboratoire qui n'utilise pas l'anticorps et le scanner de Coventry, ce système se tromperait souvent en l'état et devrait d'abord être validé localement.
Pour aller plus loin
Le préprint : Automated PD-L1 Tumor Proportion Scoring with Uncertainty-Guided Triage in Non-Small Cell Lung Cancer, Xu, Azam, Kaur et al., Université de Warwick (Tissue Image Analytics Centre), University Hospitals Coventry and Warwickshire, University Hospitals Birmingham, Royal Derby Hospital et Donghua University, arXiv (cs.CV), déposé le 12 novembre 2026, DOI 10.48550/arXiv.2611.16907. Non relu par les pairs.
Données externes : IGNITE data toolkit sur Zenodo. Modèle de base : Virchow2 sur Hugging Face.
Sur Tatakoto : la qualité des lames histologiques, préalable à toute IA en pathologie et LungAI et le reclassement des nodules pulmonaires.
Mention de transparence éditoriale : cet article a été produit par la chaîne éditoriale automatisée de Tatakoto à partir de la version 1 du préprint (PDF arXiv, texte principal et annexes). La conversion « sur 1 000 lames » est notre calcul à partir des proportions publiées et repose sur de petits effectifs. Les versions anglaise, espagnole et chinoise sont générées par IA. Une erreur ? Contactez-nous.