Pathologie Computationnelle
Je vous propose un parcours de lecture possible pour explorer ce nouveau champ des possibles de l’IA au service de la médecine.
Cette revue intitulée “Deep learning for digital pathology image analysis: A comprehensive tutorial with selected use cases” qui date de 2016 par un des pioniers du domaine (Anant Madabhushi) est un bon point de départ pour mesurer le chemin parcouru depuis jusqu’aux dernières avancées actuelles. On y trouve 6 “use cases” qui montrent bien le matériel biologique.
En 2026, les recherches du domaine se publient dans NeurIPS comme ici un travail par PathAI Inc. une société spécialisée dans le domaine, en 2025, intitulé : “Evaluating the Utility of Sparse Autoencoders for Interpreting a Pathology Foundation Model”. C’est un travail intéressant sur l’explicabilité (XAI) des espaces latents appris en démultipliant la dimension du vecteur de représentation par modèle fondation par exemple, pour désambiguïser la multiplicité sémantique d’un seul neurone de ce vecteur.
Entre temps, en effet de nombreux Foundation Models ont été publiés dont un intéressant qui utilise la multimodalité texte. Son nom est TITAN pour Transformer-based pathology Image and Text Alignment Network ». C’est une bonne façon également de voir comment sont construits de tels modèles (données, méthodes etc.) et un bon complément aux aspects multimodalité et IA générative de vos enseignements généraux. Là encore c’est un pilier de la communauté qui a encadré ce travail conséquent Faisal Mahmood.
Dans l’intervalle, des essais d’utilisation de GAN comme ici dans « Generative adversarial networks accurately reconstruct pan-cancer histology from pathologic, genomic, and radiographic latent features » notamment pour la construction d’exemples synthétiques mais aussi pour une compréhension plus fine des représentations latentes apprises par exemple pas les modèles comme TITAN.
Enfin, un bon état de l’art actuel sur ce qui existe dans le domaine de la pathologie digitale 10 ans après la revue de Anant Madhabushi permet de mesurer le chemin parcouru en 10 ans. Cet article est publié dans Journal of Pathology Informatics le premier cité qui prend de plus en plus d’importance dans la communauté.
Bonne lecture.