Afin d'évaluer le potentiel des méthodes de pathologie computationnelle pour le diagnostic des tumeurs cérébrales pédiatriques, nous avons mis en œuvre une méthode d'apprentissage multi-instances (MIL) faiblement supervisée à partir d'images de coupes de tissus tumoraux cérébraux (WSI) de 540 patients pédiatriques (âge moyen : 8,5 ans) collectées dans une cohorte multicentrique de six hôpitaux universitaires suédois. Trois extracteurs de caractéristiques pré-entraînés, ResNet50, UNI et CONCH, ont été utilisés pour extraire les caractéristiques au niveau des patchs de la WSI, et ABMIL ou CLAM pour agréger les caractéristiques en vue d'une classification au niveau des patients. Les modèles ont été évalués sur trois tâches de classification : type, famille et type, basées sur une classification hiérarchique des tumeurs cérébrales pédiatriques. Les modèles ont été entraînés sur les données de deux centres et testés sur celles des quatre autres afin d'évaluer leur performance de généralisation. Les performances de classification les plus élevées ont été obtenues grâce aux caractéristiques UNI et à l'agrégation ABMIL, avec des coefficients de corrélation de Matthew de 0,76 ± 0,04, 0,63 ± 0,04 et 0,60 ± 0,05 pour la classification par type, par famille et par type, respectivement. Les modèles utilisant les caractéristiques UNI et CONCH ont obtenu de meilleures performances de généralisation que les modèles utilisant ResNet50.
