La seconde étape consiste à trouver comment le logiciel peut détecter par lui-même ce que l’expert veut repérer dans l’image. Pour y parvenir, les chercheurs lui font passer une phase d’apprentissage. « Dans un premier temps, l’application n’a aucun moyen de classer et de segmenter des images. On demande dès lors aux experts d’entourer eux-mêmes des cellules représentant les différentes catégories qu’ils veulent distinguer. Des cellules saines, par exemple, et des cellules tumorales. En gros, l’exercice qu’ils devaient auparavant réaliser pour chaque cellule de chaque échantillon. » Une fois que les experts ont montré l’exemple au logiciel, il lui est possible, par inférence statistique et sur base d’une reconnaissance des variations colorimétriques des pixels, de classer les cellules en peu de temps et de manière exhaustive.

« C’est donc un outil qui, avec la participation des experts, va automatiser des tâches, précise Benjamin Stévens. Quelque part, les experts, en annotant les images, façonnent l’algorithme dans une relation circulaire. Selon les premières annotations, l’algorithme propose une première prédiction que les experts peuvent corriger. L’algorithme retient ces corrections, affine sa recherche, gagne en précision, et à un moment donné, le modèle devient robuste. » La classification qu’il propose automatiquement à l’expert est alors au moins aussi précise qu’une classification manuelle, et surtout, exhaustive, puisqu’elle tient compte de tous les pixels de l’image. L’algorithme peut passer en utilisation de routine, et le gain de temps devient considérable. « La quantité d’information envoyée au médecin est drastiquement réduite, reprend l’informaticien. Le médecin, au lieu d’avoir à fouiller dans des milliers de cellules, n’en a plus que quelques centaines. L’information est concentrée, fiabilisée, rend le diagnostique plus rapide et est mise au service du médecin. Car il n’est pas question de supplanter son diagnostique, ni son expertise. » Petit plus, comme l’algorithme est générique et qu’il apprend sa mission avec les experts, il peut a priori classer n’importe quel type d’image. Il suffit qu’on lui donne l’exemple pour qu’il suive docilement. Les recherches en analyse d’images en cours visent à étudier la validité de ces algorithmes sur une grande variété d’images.

… Qui répond à des besoins primaires

Ce qui fonctionnait alors pour une recherche singulière sur le cancer du col de l’utérus pouvait a priori s’étendre à toute une série d’autres pathologies, que cela relève de la cytologie ou de l’histologie. Cette première collaboration a donc donné à l’équipe l’idée de développer la plateforme logicielle Cytomine d’analyse d’images histologiques et cytologiques. Avec l’aide de Loïc Rollus, informaticien à l’Université de Liège, elle intègre désormais une panoplie d’algorithmes « intelligents » mais aussi tous les outils et interfaces nécessaires en amont et en aval. « En plus, on s’est progressivement rendu compte que le simple fait de pouvoir stocker et partager une image répondait à un besoin primaire, nous permettant de décliner le logiciel sous beaucoup de formes, explique Benjamin Stévens. Mais ce n’était pas notre but initial. On voulait juste créer un outil pour faciliter l’analyse d’images. »