Les solutions d’aide à la décision proposées par ANAPIX medical résultent de deux programmes de recherche financés par l’Agence Nationale de Recherche (SKINAN et DIAMELA).

Nos Solutions

La solution globale SkinApp d’ANAPIX medical est un service à destination principalement des dermatologues, mais aussi des autres professionnels de santé intéressés par l’imagerie de la peau.

Elle se présente sous la forme d’une plateforme de services externalisée (mode SaaS) et sécurisée sur laquelle les photographies de la peau, acquises via un smartphone connecté ou non à un dermoscope, sont transférées, et, via une web-application, gérées et analysées en temps réel.

Selon les modules installés, cette plateforme fournira aux praticiens un deuxième avis (aide au diagnostic du mélanome) et/ou une aide à la décision thérapeutique (pour les petites lésions de la peau) à partir de l’analyse des photographies effectuée par des classifieurs automatiques fondés sur des algorithmes de machine learning.

L’application SkinShot, à destination du grand public permet de faire l’inventaire de ses grains de beauté d’observer leur évolution et de détecter ses lésions à risque. Avec l’accord du praticien adhérent au service SkinApp, il sera possible de transférer les images d’intérêt sur le dossier du patient.

DIAMELA : un classifieur de lésions mélanocytaires

Fonctionnement

Le classifieur de lésions mélanocytaires DIAMELA a été contruit pour analyser des photographies dermoscopiques, prises dans des conditions relativement standardisées, et pour lesquelles on connaît le grossissement (nombre de pixels par cm de peau). Ces photographies peuvent être simplement obtenues en couplant un dermoscope standard à un smarphone par l’intermédiaire d’un accessoire dédié (voir la rubrique j’ai testé pour vous). Le classifieur propose un diagnostic en termes probabilistes.

Construction

L’algorithme du classifieur est conçu pour apprendre par l’exemple (machine learning), à l’instar des humains. Il faut une base d’apprentissage représentative de la diversité des objets à traiter (ici des images de lésions mélanocytaires) pour lesquelles on connaît la réponse (apprentissage dit supervisé). Pendant la phase d’apprentissage du classifieur, les images sont présentées itérativement, le classifieur modifie automatiquement son fonctionnement interne pour que sa réponse s’approche le plus possible de la réponse souhaitée.

Dans le cas présent, 16 dermatologues ont participé à la collecte de plus de 7000 images, parmi lesquelles 1096 ont été sélectionnées pour constituer la base d’apprentissage, incluant 360 lésions excisées dont 88 mélanomes.

Evaluation des performances

Cette opération est complexe, compte tenu des différents types d’erreur possible dès lors que l’on souhaite classer des objets, et du fait que les erreurs ne sont pas de coût équivalent : classer un naevus bénin dans le groupe des mélanomes ou un  mélanome dans le groupe des lésions bénignes ne sont pas des erreurs comparables.

Pour apprécier la difficulté de diagnostic des images présentes dans la base d’apprentissage, neuf dermatologues ont été sollicités : plusieurs niveaux de certitude leur ont été proposés pour l’analyse de chacune des images : mélanome certain, mélanome probable, lésion douteuse, lésion bénigne.

En vous mettant à la place des dermatologues qui ont participé à cette étude, vous pourrez évaluer la difficulté à produire un diagnostic en participant au quiz « diagnostic du mélanome » proposé sur ce site et comparer vos réponses aux leurs.

L’analyse des performances des dermatologues (et de celle du classifieur) est effectuée à l’aide de deux critères antagonistes, la sensibilité et la spécificité, que l’on positionnera du point de vue du mélanome : une sensibilité de 100% reviendra à trouver tous les mélanomes, une spécificité de 100% reviendra à ne trouver que des mélanomes.

Les variations de ces deux critères non indépendants s’observent dans un diagramme à 2 dimensions. Au niveau de certitude « mélanome certain », pour la réponse apportée par le dermatologue concerné par cette illustration, la sensibilité n’est que de 30% mais la spécificité est très proche de 1. La sensibilité monte à 85% au seuil de certitude de lésion douteuse, au prix d’une diminution importante de la spécificité (50%).

Le classifieur et les dermatologues

Les dermatologues Les réponses des dermatologues, tout en s’inscrivant sur une courbe assez classique, varient beaucoup d’un praticien à un autre. Les différences sont essentiellement liées à des comportements différents : à sensibilité égale (niveau de détection du mélanome équivalent), certains souhaitent prendre moins de risques ressentis que d’autres.
Le classifieur Le classifieur propose une réponse en termes probabilistes. Sa traduction dans le diagramme sensibilité spécificité est donc une courbe que l’on obtient en faisant varier le seuil de classification appelée classiquement courbe ROC.
Le classifieur montre des performances équivalentes à celles des dermatologues jusqu’au niveau « mélanome probable ». Il est plus performant au niveau « lésions douteuses ». Ce résultat s’explique par le fait que l’éducation des dermatologues sur la détection des mélanomes s’est essentiellement construite sur l’observation d’images typiques de mélanomes et de lésions bénignes, ce qui n’est pas le cas du classifieur, qui a acquis ses compétences sur bon nombre de lésions atypiques.

L’utilisation de la solution d’imagerie temps réel de la peau proposé par ANAPIX medical devrait permettre de remédier à ce problème, puisque les dermatologues auront toutes les facilités pour observer rétroactivement les images des lésions dont ils auront fait l’exérèse lors du retour du compte-rendu anatomopathologique.

Enfin, il faut noter que la décision thérapeutique (ainsi que le diagnostic) fait intervenir d’autres facteurs comme l’historique de la tumeur, son évolution, son épaisseur… qui ne sont pas pris en compte dans cette présentation.