Contrôle qualité des lames histologiques : six outils de détection d'artefacts comparés sur trois jeux de données, HistoKit en tête
Une équipe de la Silesian University of Technology (Pologne) et du LMU Klinikum de Munich a comparé six outils publics qui repèrent, sur des lames de pathologie numérisées, les défauts de préparation ou de scan (plis, zones floues, bulles d'air, taches). HistoKit, qui reprend le module d'artefacts de GrandQC, arrive en tête et HistoQC en dernier, et une simple étape de post-traitement améliore encore HistoKit. Le travail est utile parce qu'il compare enfin ces outils sur les mêmes données, mais les jeux annotés sont minuscules, un seul annotateur a produit l'un d'eux, et aucun résultat n'est traduit en effet sur un diagnostic.
Le contexte
La pathologie numérique consiste à scanner des lames de verre en images géantes, les « whole slide images » (WSI), de plusieurs gigaoctets chacune, pour les analyser par ordinateur. Les lames colorées à l'hématoxyline-éosine (H&E, la coloration standard qui teinte les noyaux en bleu-violet et le reste en rose) sont fragiles : un pli du tissu, une bulle d'air sous la lamelle, une zone floue, une tache d'encre de marqueur ou une poussière suffisent à dérouter un modèle d'IA en aval, qui peut prendre l'artefact pour une lésion ou ignorer une zone utile.
C'est pourquoi les chaînes d'analyse commencent par un contrôle qualité automatique : on segmente (c'est-à-dire qu'on délimite pixel par pixel) le tissu exploitable et les zones défectueuses. Plusieurs outils existent, mais selon les auteurs peu sont réellement utilisables par un tiers, et les comparaisons sur plusieurs jeux de données sont rares. C'est le trou que vise ce preprint, déposé sur arXiv (catégorie eess.IV) et soumis à la revue Medical Image Analysis. Il n'a donc pas encore passé de relecture par les pairs.
La méthode
Les auteurs testent six algorithmes publics sur deux tâches : isoler le tissu exploitable, puis classer les artefacts en catégories (arrière-plan, taches sombres ou corps étrangers, bords et bulles d'air, plis, zones floues « out-of-focus », marques de stylo). Les six outils sont : GrandQC (un réseau U-Net++ avec encodeur EfficientNet-B0, c'est-à-dire un réseau de segmentation d'images à architecture en U, avec un extracteur de caractéristiques léger), HistoKit (détection du tissu par seuillage plus le module d'artefacts de GrandQC, appliqué avec des fenêtres qui se chevauchent), HistoQC (mesures d'image et classifieurs classiques), HistoROI (un classifieur ResNet18 par petites tuiles, entraîné avec un expert dans la boucle), le travail de Patil et collègues (U-Net) et celui de Schreiber et collègues (simple seuillage dans un espace de couleur, avec la méthode d'Otsu).
Trois jeux de données servent de référence. Le jeu A compte 13 régions annotées issues de TCGA et CAMELYON16 (deux bases publiques), avec une segmentation binaire tissu contre reste. Le jeu B compte 567 régions annotées (le texte parle de 574 images après filtrage) provenant d'un centre autrichien, reconstituées à partir d'annotations par tuiles. Le jeu C, nouveau, compte 23 régions tirées de 20 lames, issues de TCGA (six organes) et du projet Compass NMD (muscle), annotées par une doctorante avec le logiciel ImageJ ; il sera publié sur Zenodo à la parution.
Les métriques sont mesurées au pixel : l'indice de Dice (mesure du recouvrement entre la zone prédite et la zone de référence, de 0 à 1, où 1 est un recouvrement parfait), la sensibilité (part des pixels de tissu réellement retrouvés) et le taux de fausses découvertes, ou FDR (part des pixels prédits comme tissu qui n'en sont pas). La comparaison statistique utilise le test de Friedman (qui compare plusieurs méthodes sur les mêmes images) suivi de tests de Wilcoxon par paires, avec correction de Benjamini-Hochberg, qui limite le risque de conclure à tort quand on multiplie les comparaisons.
Les résultats
Métriques ML. Les différences entre méthodes sont statistiquement significatives. HistoKit et GrandQC sont solides sur les trois jeux pour la détection du tissu. HistoKit fait significativement mieux que GrandQC sur le jeu B (Dice et FDR) et sur le jeu C (toutes les métriques), en partie parce que GrandQC traite des tuiles sans chevauchement qui laissent des artefacts de bord visibles. Sur la segmentation des artefacts, GrandQC et HistoKit dépassent nettement Patil et collègues, qui confond souvent des artefacts avec du flou ou prend des plis pour du tissu ; HistoKit améliore surtout les plis, les bords et les zones floues sur certains jeux. Les classes les plus difficiles pour tous sont les taches sombres et les zones floues. HistoQC est le moins bon : il rate souvent le tissu, ce qui abaisse mécaniquement son FDR sans le rendre meilleur.
Le temps de calcul, mesuré sur une seule image de 0,98 Go, change la lecture. Par lame, HistoROI prend 0,14 minute, Schreiber 0,20, Patil 0,25, HistoQC 0,32, GrandQC 0,78 et HistoKit 6,18 (avec 75 % de chevauchement). Le chevauchement fait toute la différence : pour l'étape d'artefacts de HistoKit, 0 % de chevauchement coûte 0,41 minute, 75 % coûte 2,02 et 90 % coûte 10,71. Les auteurs recommandent un chevauchement un peu inférieur à 90 %. Une étape de post-traitement (ouverture morphologique avec un disque de 5 pixels, remplissage des trous, seuil de surface de 0,025 % de la lame) améliore significativement le Dice et la sensibilité sur les jeux A et B, sans effet sur C.
Traduction clinique. Il n'y en a pas, et c'est le point à retenir : ce papier ne rapporte ni sensibilité diagnostique, ni faux positifs au niveau du patient, ni effet sur la lecture d'un pathologiste. Un meilleur Dice sur des plis ne dit pas combien de lames seraient rejetées à tort, combien d'artefacts passeraient aux modèles diagnostiques en aval, ni quel serait le coût en nouvelles numérisations. Ces conversions ne peuvent pas être calculées à partir des données du preprint.
Ce qui est bien
Un vrai comparatif, avec des outils exclus nommés. Les auteurs listent les outils qu'ils n'ont pas pu tester et pourquoi : PathProfiler ne s'exécute pas, SliDL a des poids inaccessibles, SlideInspect, Smit et collègues, GuardQC, AIRAQc et DiffusionQC n'ont pas de code ou de poids utilisables, GrandQC+ n'a pas de scripts publics. Ce relevé documente l'état réel de la reproductibilité dans le domaine.
Une statistique adaptée. Friedman, puis Wilcoxon corrigé, avec tailles d'effet : ce n'est pas la norme dans ce sous-domaine, où l'on compare souvent des moyennes sans test.
Une mesure du coût de calcul. Rapporter les 0,41 à 10,71 minutes selon le chevauchement montre un compromis réel entre qualité et temps, que les articles de méthode omettent souvent. Le code des analyses, HistoKit et GrandQC sont accessibles sur GitHub, et les données du jeu C seront publiées sur Zenodo.
Ce qui est moins bien
Des jeux annotés minuscules et une vérité terrain fragile. Le jeu A compte 13 régions, le jeu C 23 régions sur 20 lames, annotées par une seule personne en formation : c'est du bruit d'étiquettes (label noise) potentiel, sans accord inter-annotateurs rapporté dans la partie lue. Le jeu B a des étiquettes d'arrière-plan incohérentes, que les auteurs contournent en les excluant de la référence. Le jeu A n'annote pas le flou. Les différences non significatives sur C pour certains artefacts, comme les bords, tiennent peut-être au faible nombre d'images.
Un biais de comparateur par disponibilité. Sept outils ont été écartés faute de code ou de poids, HistoQC n'a pas pu tourner sur le jeu B ni lire la magnification de trois images du jeu A, et HistoROI n'a pas tourné sur B. Le classement porte donc sur les outils qui fonctionnent sans effort, pas sur l'état de l'art complet. Il faut aussi vérifier un point d'indépendance : le dépôt de HistoKit est hébergé sous le compte ZAEDPolSl, dont le nom évoque le même groupe silésien que les auteurs. La page lue ne dit pas si HistoKit est leur propre outil ; si c'est le cas, un benchmark qui couronne l'outil de ses auteurs appelle une confirmation par une équipe tierce. Les auteurs déclarent n'avoir aucun conflit d'intérêts.
Une métrique pixel éloignée de l'usage. Le Dice au pixel mesure la qualité de la carte, pas son utilité. Les auteurs reconnaissent qu'ils n'évaluent pas l'effet sur des tâches aval (segmentation cellulaire, détection de tumeur), qu'ils n'ont testé que la coloration H&E et qu'ils ne couvrent pas les artefacts de congélation. Le biais de population existe aussi côté scanners et laboratoires : GrandQC s'appuie sur des données d'un centre autrichien, et un outil de contrôle qualité entraîné ainsi peut se dégrader sur d'autres centres, ce que seul un test multicentrique large mesurerait. Enfin, une erreur de prédiction peut se propager à de nombreuses petites tuiles à fort grossissement.
Ce que ça change
Pour la communauté de recherche. Le papier donne une base de comparaison reproductible et une règle pratique : le chevauchement des tuiles et le post-traitement morphologique comptent autant que l'architecture. Le jeu C public, une fois publié, ajoutera un banc d'essai sur le muscle, rare dans ce domaine. Il faudra l'agrandir et le faire annoter par plusieurs pathologistes.
Pour les cliniciens et laboratoires. Pour un laboratoire qui numérise ses lames, le message est modeste : GrandQC ou HistoKit semblent de bons points de départ, avec un coût de calcul à arbitrer, et aucun outil ne dispense de valider sur ses propres lames et scanners. Il n'y a pas d'effet sur la pratique diagnostique à court terme.
Pour les patients et le public. L'effet est indirect : un meilleur contrôle qualité réduit le risque qu'un modèle diagnostique soit trompé par un défaut de lame, mais ce papier ne mesure pas ce risque.
Pour aller plus loin
Preprint : Merta J., Mendelsohn D., Schoser B., Polanska J., Marczyk M., «Benchmarking and Improvement of Artifact Segmentation Methods in H&E-Stained Whole Slide Imaging», arXiv:2610.24037, soumis à Medical Image Analysis, licence CC BY-NC-SA 4.0 (arxiv.org/abs/2610.24037). Affiliations : Silesian University of Technology (Gliwice, Pologne), Friedrich-Baur-Institut, LMU Klinikum (Munich), Yale Cancer Center. Financement : projet CoMPaSS-NMD, Horizon Europe, convention 101080874. Code : analyses du benchmark, HistoKit, GrandQC.
Mention de transparence éditoriale : cet article a été produit par la chaîne éditoriale automatisée de Tatakoto à partir de la version HTML du preprint arXiv ; les 5 000 derniers caractères du texte n'ont pas pu être lus, et les chiffres sont ceux rapportés dans la partie lue. Les versions anglaise, espagnole et chinoise sont générées par IA. Une erreur ? Contactez-nous.