Self-explaining artificial intelligence for the classification of B cell non-Hodgkin lymphoma: A diagnostic decision support study.

IA auto-explicative combinant analyse structurelle non supervisée et cadre diagnostique multi-niveaux à partir de données de cytométrie en flux

Les auteurs ont développé FlowXAI, une IA auto-explicative destinée à soutenir la classification des lymphomes B non hodgkiniens (B-NHL) à partir de cytométrie en flux multiparamétrique, en rapportant explicitement la fiabilité diagnostique au cas par cas. Le système combine une analyse structurelle non supervisée (procédure Tile Mining d'évaluation pré-diagnostique de la qualité des échantillons) et un cadre diagnostique multi-niveaux reflétant les priorités de routine. Évalué par validation croisée répétée sur 19 493 échantillons de sang périphérique, puis sur un jeu de données externe indépendant généré avec un panel d'anticorps différent, FlowXAI a atteint des performances comparables à un système d'apprentissage profond tout en nécessitant environ deux ordres de grandeur d'échantillons d'entraînement en moins. Lorsque les prédictions étaient jugées fiables par l'auto-évaluation interne, la performance dépassait celle du réseau de neurones de référence. La principale limite est l'évaluation rétrospective sur des panels d'anticorps spécifiques.

Synthèse rédigée par Geno'X. Pour l'abstract original complet, consulter la publication source.

L'intérêt clinique majeur tient à la transparence : une IA qui rapporte sa propre incertitude est bien plus déployable en routine diagnostique qu'une boîte noire, notamment dans les centres à expertise limitée ou pour les entités rares. La frugalité en données d'entraînement est un atout concret. La validation externe existe mais reste rétrospective et dépendante du panel d'anticorps ; une validation prospective en pipeline intégré est indispensable avant adoption.

Analyse par Dr Thibaut Benquey