# Automated Diagnosis of Lymphoma with Digital Pathology Images Using Deep Learning

**Authors:** Hanadi El Achi, Tatiana Belousova, Lei Chen, Amer Wahed, Iris Wang, Zhihong Hu, Zeyad Kanaan, Adan Rios, Andy N. D. Nguyen  
**arXiv:** [1811.02668](https://arxiv.org/abs/1811.02668)  
**Date:** 2018-10-30  
**Summary page:** https://www.summarizepaper.com/fr/paper/1811.02668v1/

## Key points

- Des études récentes ont montré des résultats prometteurs dans l'utilisation de l'apprentissage profond pour détecter la malignité dans l'imagerie en coupe entière.
- L'apprentissage profond avec un algorithme de réseau neuronal convolutif a été utilisé pour construire un modèle de diagnostic du lymphome pour quatre catégories diagnostiques : ganglion lymphatique bénin, lymphome diffus à grandes cellules B, lymphome de Burkitt et lymphome lymphocytaire petit.
- Le logiciel a été codé en langage Python.
- 128 cas ont été utilisés, avec 32 cas par catégorie diagnostique.
- Des images numériques en coupe entière colorée à l'hématoxyline et à l'eosine ont été obtenues.
- Quatre séries de 5 images représentatives dimensionnées à 40x40 pixels ont été prises pour chaque cas.
- Un total de 2 560 images ont été obtenues, dont 1 856 utilisées pour l'entraînement, 464 pour la validation et 240 pour les tests.
- Les résultats des tests ont montré une excellente prise en charge diagnostique atteignant 95% pour la prise en charge image par image et 10% pour la prise en charge ensemble par ensemble.
- Cette étude initiale fournit une preuve conceptuelle permettant d'intégrer un écran diagnostique automatisée du lymphome au flux de travail futur de pathologie afin d'amplifier la productivité des pathologistes.

## Summary

Des études récentes ont montré des résultats prometteurs dans l'utilisation de l'apprentissage profond pour détecter la malignité dans l'imagerie en coupe entière. Cependant, elles se limitaient à prédire simplement une découverte positive ou négative pour un néoplasme spécifique. Nous avons donc essayé d'utiliser l'apprentissage profond avec un algorithme de réseau neuronal convolutif pour construire un modèle de diagnostic du lymphome pour quatre catégories diagnostiques : ganglion lymphatique bénin, lymphome diffus à grandes cellules B, lymphome de Burkitt et lymphome lymphocytaire petit. Notre logiciel a été codé en langage Python. Nous avons obtenu des images numériques en coupe entière colorée à l'hématoxyline et à l'eosine provenant de 128 cas dont 32 par catégorie diagnostique. Quatre séries de 5 images représentatives dimensionnés à 40x40 pixels ont été prises pour chaque cas. Un total de 2 560 images ont été obtenues dont 1 856 utilisés pour l’entraînement, 464 pour la validation et 240 pour les tests. Pour chaque ensemble test comprenant 5 images le diagnostic présentait a était combinée à partir des présomptions des 5 images individuelles. Les résultats des tests ont montré une excellente prise en charge diagnostique atteignant 95 % pour la prise en charge image par image et 10 % pour la prise en charge ensemble par ensemble. Cette étude initiale fournit une preuve conceptuelle permettant d’intègrer un écran diagnostique automatisée du lymphome au flux de travail futur de pathologie afin d’amplifier la productivité des pathologistes. Les auteurs de cette recherche sont Hanadi El Achi, Tatiana Belousova, Lei Chen, Amer Wahed, Iris Wang , Zhihong Hu , Zeyad Kanaan , Adan Rios et Andy N . D . Nguyen .