Les algorithmes, dans le domaine de l'imagerie, peuvent se classer en trois grandes catégories :
segmentation, détection ou classification.

Un algorithme de segmentation permet, sur une image, de distinguer une structure par rapport à une autre, par exemple sur une image radiologique le tissu musculaire par rapport au tissu adipeux, ou sur une lame histopathologique les cellules tumorales infiltrantes par rapport au stroma tumoral, ou bien la reconnaissance des mitoses dans une tumeur. Ce travail de segmentation automatique permet un gain de temps pour le radiologue ou le pathologiste pour l'analyse ultérieure des images.

Un algorithme de détection des lésions permet de mettre en évidence des lésions qui auraient pu passer inaperçues à l'observation humaine, telles que de faibles différences de contraste sur des clichés radiologiques, ou des micrométastases sur une lame d'histopathologie. L'algorithme a ici une valeur ajoutée pour diminuer le risque de faux négatif d'une observation visuelle seule.

Un algorithme de classification, en général développé à partir de réseaux de neurones profonds, permet de classer des images parmi plusieurs catégories diagnostiques ou pronostiques voire théranostiques. Il en est ainsi par exemple d'un algorithme qui permettra, sur une série de lames histopathologiques, de faire un pré-tri entre les lames probablement tumorales et les lames probablement non tumorales. Ce type d'algorithme de classification pourra faire gagner du temps au pathologiste et fiabiliser encore son diagnostic. Au-delà de l'aide fournie au pathologiste, d'autres algorithmes aideront à la prise en charge des patients à partir d’informations extraites de nos lames : il s'agira par exemple de classer des images de tumeurs en fonction d’une évolution clinique, ou en fonction d’une réponse à un traitement. Certains algorithmes de classification aideront alors à identifier de nouveaux facteurs pronostiques ou prédictifs encore méconnus.  

S'agissant de l'association de données provenant de sources différentes (radiologie + ACP, ACP + génétique), on peut également segmenter les algorithmes en deux grandes typologies :

- A partir des données d’un ou plusieurs examens, prédiction du résultat d’un autre examen.

o Exemples :

 ~ Prédiction à partir de l’analyse d’image d’un adénocarcinome du poumon de son statut PDL-1, de son profil mutationnel (EGFR, ALK, ROS, …)

~ Prédiction à partir des données d’IRM prostatique associées aux images histologiques sur biopsies du statut BRCA.

~ Prédiction de « signatures moléculaires » type endopredict à partir des données radio/histo/immuno.

- En associant les données de plusieurs examens, création de nouvelles catégories diagnostiques avec impact pronostic et/ou thérapeutique.

~ Exemples :

~ Histologie de mélanome plus profil génomique, pour prédire une meilleure réponse aux thérapies ciblées/immunothérapie.

~ Evolution clinique d’une NASH en utilisant données biologiques + échographie + histo.

Pour des raisons logistiques, les idées proposées doivent porter sur des pathologies suffisamment fréquentes pour que le recueil d'images numériques et de données tiers puissent se faire rapidement sur au moins 3000 dossiers.
De façon équivalente, si les algorithmes ont pour objet la détermination de facteurs pronostics, ou prédictifs de réponse au traitement, ces données doivent pouvoir être facilement accessibles, au moins de façon rétrospective.
Et bien entendu, l'algorithme créé doit être utile à la prise en charge du patient.