Le DLBCL présente une grande variabilité clinique et biologique qui complique le diagnostic et le choix du traitement. L’intelligence artificielle commence à changer la donne en aidant à affiner les diagnostics et à prédire les réponses thérapeutiques.
© IA Médicale | Image générée par IA
Pour diagnostiquer un DLBCL, on prélève d’abord un échantillon du ganglion ou du tissu suspect. Le pathologiste examine ensuite les coupes au microscope, ce qui donne une première orientation. D’autres analyses sont alors nécessaires :
L’IA attire maintenant l’attention des pathologistes comme outil d’assistance. Des logiciels analysent les images numérisées des lames. Ils accélèrent le diagnostic, réduisent les risques d’erreur et diminuent les différences d’appréciation entre médecins. Certains algorithmes vont assez loin. Les programmes informatiques identifient les cellules malades directement sur les lames colorées. Ils évaluent aussi l’expression des marqueurs utilisés en immunohistochimie. Plus surprenant encore : ils arrivent à prédire certaines mutations du gène MYC simplement en analysant l’apparence des tissus au microscope.
Des équipes de recherche ont récemment mis à l’épreuve différents modèles d’IA pour identifier et classer le DLBCL sur des lames digitalisées. Globalement, les performances rapportées sont très élevées : dans une revue systématique de 11 études publiées entre 2020 et 2025, les taux de précision diagnostique atteignent 87 à 100%, avec des sensibilités de 90 à 100%, des spécificités de 52 à 100%, et des aires sous la courbe ROC pouvant aller jusqu’à 0,99.
L’IA excelle notamment dans la quantification des biomarqueurs sur les coupes, par exemple compter les cellules qui expriment un marqueur particulier, ou pour prédire des anomalies génétiques uniquement à partir de l’observation tissulaire. Elle aiderait à confirmer les cas douteux ou à affiner les sous-catégories, avec une performance qui égale voire dépasse les approches classiques. Reste une question importante : ces chiffres proviennent d’études contrôlées. Personne ne sait encore comment ces algorithmes se comporteront dans la vraie vie, face à des échantillons plus variés et en plus grand nombre.
Plusieurs outils d’IA spécialement conçus pour le DLBCL ont montré des capacités remarquables. L’un des plus avancés s’appelle GOTDP-MP-CNNs, développé par l’équipe de Li. Ce système combine 17 réseaux neuronaux différents qui travaillent ensemble. Testée sur des images de DLBCL provenant de plusieurs hôpitaux, cette approche a atteint une exactitude quasi parfaite – environ 100 % – pour distinguer le DLBCL des autres lymphomes ou maladies. À titre de comparaison, un seul réseau neuronal plafonnait entre 87 et 96 % de précision. En utilisant plusieurs modèles simultanément, le système capte mieux la diversité d’apparence du DLBCL et livre un diagnostic automatisé fiable, même quand les images viennent de sources variées.
Un autre programme intéressant est HoVer-Net, un réseau neuronal spécialisé dans la détection des noyaux cellulaires sur les lames. Adapté au DLBCL, il extrait des mesures précises de la forme et de la taille des noyaux tumoraux. L’équipe de Vrabac l’a utilisé pour analyser ces caractéristiques et les relier à la survie des patients, avec un indice pronostique de 0,70 dans leur groupe d’étude. Une version améliorée, appelée HoLy-Net, identifie les noyaux tumoraux au milieu des autres cellules présentes dans la tumeur. Elle fournit des informations sur les cellules immunitaires infiltrées et la composition cellulaire globale, des éléments qui pourraient aider à prédire l’évolution de la maladie.
Ces plateformes montrent deux choses : l’IA peut classifier les images de DLBCL avec une fiabilité jamais atteinte auparavant, et elle mesure avec précision des paramètres tissulaires qu’il était difficile de quantifier de façon uniforme.
Pour diagnostiquer un DLBCL, on prélève d’abord un échantillon du ganglion ou du tissu suspect. Le pathologiste examine ensuite les coupes au microscope, ce qui donne une première orientation. D’autres analyses sont alors nécessaires :
L’IA attire maintenant l’attention des pathologistes comme outil d’assistance. Des logiciels analysent les images numérisées des lames. Ils accélèrent le diagnostic, réduisent les risques d’erreur et diminuent les différences d’appréciation entre médecins. Certains algorithmes vont assez loin. Les programmes informatiques identifient les cellules malades directement sur les lames colorées. Ils évaluent aussi l’expression des marqueurs utilisés en immunohistochimie. Plus surprenant encore : ils arrivent à prédire certaines mutations du gène MYC simplement en analysant l’apparence des tissus au microscope. Ces outils pourraient ainsi faciliter le diagnostic tout en réduisant le recours à certains examens complémentaires coûteux.
Li D. et al. (2020). A deep learning diagnostic platform for diffuse large B-cell lymphoma with high accuracy across multiple hospitals. Nature Communications, 11:6004.
Torres Luna J.D. et al. (2025). AI in Digital Pathology for Diffuse Large B-cell Lymphoma: A Systematic Review of Diagnosis and Classification. Cureus, 17(9): e92058.
Cairns J. et al. (2025). The Role of AI in Lymphoma: An Update. Seminars in Nuclear Medicine, 55(5): 377-386.
Detrait M.Y. et al. (2024). A machine learning approach in a monocentric cohort for predicting primary refractory disease in Diffuse Large B-cell lymphoma patients. PLoS ONE, 19(10): e0311261.