Le diagnostic microscopique de cancer peut-être difficile mais surtout devient de plus en plus sophistiqué à l’ère de la médecine personnalisée. Les centres de pathologie qui ne possèdent pas d’accès à des techniques de marquage tissulaire complexes et à des techniques moléculaires de plus en plus basées sur le séquençage à haut débit n’ont plus leur place dans la prise en charge moderne des patients porteurs de cancer. Les techniques d’analyse d’image basées sur des dispositifs d’intelligence artificielle pourraient faire la synthèse entre des données phénotypiques et moléculaires complexes en prédisant le comportement tumoral sur le seule lecture d’images microscopiques de routine. Des données récentes de notre groupe au sein du réseau français (national) Lymphopath montrent que 20 % des diagnostics de lymphome sont inexacts, avec un impact direct sur les soins aux patients [1]. Une autre difficulté est la classification des sous-types de cancer pour prédire la réponse thérapeutique et le comportement clinique. Actuellement, les solutions automatisées qui pourraient aider à la prise de décisions diagnostiques ou au classement histologique font défaut. La microscopie numérique offre des fonctionnalités uniques qui ne sont pas disponibles en microscopie optique conventionnelle [2] et permet une analyse et une quantification automatisées des images en utilisant la vision par ordinateur et, en particulier, les approches d’apprentissage en profondeur ou deep learning (DL) [3]. En utilisant le DL sur des images microscopiques numériques à partir de lames histopathologiques de routine, nous avons montré qu’il était possible de répondre à deux questions : 1) On peut efficacement entrainer un réseau neuronal profond (DL) pour distinguer une lésion bénigne et d’une lésion maligne [4] ; 2) Le DL peut efficacement prédire le comportement d’une tumeur en combinant l’analyse des données cliniques, microscopiques et moléculaires. Cependant, deux obstacles majeurs à l’extension de l’utilisation de ces techniques sont apparus. D’une part, il est impossible de reproduire le niveau fiabilité de la prédiction quand les données d’entrées sont de sources diverses et forcément un minimum hétérogènes. D’autre part, l’effet « boite noire » des réseaux de neurones fait que les caractéristiques exactes sur lesquelles la décision est prise ne sont pas connues. Ces deux éléments représentent encore un verrou technologique dans l’exploitation industrielle de systèmes experts basés sur le DL.

诊断微弱的癌症的微妙的解决方案，再加上医学博士的个人技巧。魁北克组织综合体及分子生物学技术研究中心将为患者提供现代门诊服务，并向患者提供现代医疗服务癌症。基础知识与分子生物学综合研究的分子生物学综合理论和常规的肿瘤相结合的演讲技巧。法语国家的巴黎圣母院（国家）淋巴路径不正确的淋巴瘤20％，直接影响其他患者[1]。癌症类型，反应迟钝和分类法分类的自闭症。解决方案将自动诊断和诊断历史字体，并自动分类为défaut。显微照相法在功能上的独特之处在于显微照相的最佳常规[2]，影像的分析和定量自动化在影像学上是很实用的，尤其是在视觉上，专业的学习者（DL）[3]。充分利用常规图像进行显微组织计数，常规进行病理组织学研究，可能产生双重问题：1）关于提高功效的夹带剂，将神经元变质识别为恶性肿瘤和恶性肿瘤[4]；2）d'unepeutéricépéréired'une comeurement d'une tumeur en combinant l'analyse desdonnéescliniques，microscopiques etmoléculaires。副手，不可抗拒的障碍和技巧的运用 尽一切可能，防止一切形式的复制，无论是最低限度的遗产还是遗产保护，都应尽力而为。《神经衰弱》杂志的《艺术评论》精确地评判了全国最高荣誉奖。Ces deuxélémentsreprésentent再次获得DL技术基础工业专家的大力支持。