Lorsque l'on se fie uniquement aux images histopathologiques sans examens complémentaires, les petits échantillons de biopsie de sarcomes des tissus mous rétro-péritonéaux entraînent des divergences d'interprétation entre observateurs, affectant la précision globale du diagnostic des sous-types de la maladie. Pour remédier à ce problème, 157 images de lames entières (WSIs) ont été collectées auprès de plusieurs centres, couvrant cinq catégories de maladies : liposarcome dédifférencié, léiomyosarcome, tumeur maligne des gaines nerveuses périphériques, sarcome pleomorphe non différencié et liposarcome bien différencié. Sur la base de ces WSIs, deux méthodes d'intégration de modèles ont été proposées, basées sur des images à échelle unique et multi-échelle, et entraînées avec des modèles d'apprentissage profond tels que ResNet18, EfficientNet B7 et EfficientNet V2. Les résultats montrent que les deux méthodes d'intégration ont obtenu une précision de classification élevée, le meilleur modèle atteignant 82,27% de précision globale au niveau des blocs et 80,95% au niveau des lames entières. Par conséquent, la méthode proposée peut efficacement assister les pathologistes dans le diagnostic des sarcomes des tissus mous rétro-péritonéaux en pratique clinique.

sarcome des tissus mous rétro-péritonéaux; apprentissage profond; lames entières; diagnostic des sous-types