L’EPFL publie un atlas tissulaire libre pour aider l’IA à comprendre le cancer

Réalisé avec des partenaires à Zurich et à Genève, spora est un atlas de protéomique spatiale que l’EPFL décrit comme la plus grande collection librement accessible de ce type au monde, destiné à accélérer la recherche en IA sur le développement des maladies.

Des chercheurs de l’EPFL ont publié spora, un atlas de référence d’images de protéomique spatiale et de données médicales, avec l’Institut européen de bio-informatique (EMBL-EBI), qui l’héberge dans sa BioImage Archive. La protéomique spatiale mesure des dizaines de protéines tout en préservant leur position dans le tissu, ce qui montre comment les cellules sont organisées et interagissent. L’EPFL présente spora comme la plus grande collection librement accessible de telles images et données au monde.

L’atlas réunit 13’546 images multiplex de 5’477 patients, couvrant 14 origines de tissus et cinq technologies d’imagerie, avec des images d’histopathologie appariées lorsqu’elles sont disponibles. L’équipe a consacré deux ans à organiser les images, à standardiser les annotations de protéines, à relier les informations médicales et à identifier les cellules individuelles, afin de faciliter la combinaison de jeux de données issus de laboratoires différents, qui utilisent souvent des équipements, des protéines et des formats de stockage différents.

Des outils pour la recherche en IA

spora comprend trois composants : spora[data], qui regroupe images et annotations dans un format commun, spora[io], une bibliothèque Python pour charger des régions de tissus, combiner des cohortes et préparer des données d’entraînement, et spora[bench], une suite de tests de performance avec des tâches comme l’identification de cellules, la classification de types cellulaires et la prédiction de variables cliniques. Les chercheurs peuvent s’en servir pour vérifier si des résultats se confirment d’une étude à l’autre, si des modèles reconnaissent les types de cellules avec différents panels de protéines et si un modèle entraîné dans un hôpital fonctionne sur des images d’un autre. Les modèles d’IA associés ont été entraînés sur des capacités de calcul à grande échelle via la Swiss AI Initiative.

Le projet a été dirigé par Charlotte Bunne, qui dirige le groupe Artificial Intelligence in Molecular Medicine (AIMM) à l’EPFL, avec l’Hôpital universitaire de Zurich, l’Université de Zurich, les Hôpitaux universitaires de Genève (HUG) et l’Université de Genève, et a été développé dans le cadre de la National AI Initiative for Precision Oncology. « Notre objectif est de transformer ce que nous apprenons de milliers d’échantillons de tissus en connaissances qui peuvent aider chaque patient », déclare Charlotte Bunne. L’équipe prévoit d’ajouter davantage de tissus, de maladies et de technologies d’imagerie.