Une femme sur neuf dans le monde développé recevra un diagnostic de cancer du sein à un moment donné de sa vie. La prévalence du cancer du sein augmente, un effet causé en partie par les modes de vie modernes et l’allongement de l’espérance de vie. Heureusement, les traitements sont de plus en plus efficaces et personnalisés. Cependant, ce qui n’augmente pas, et en fait diminue, c’est le nombre de pathologistes, ou de médecins dont la spécialité est d’examiner les tissus de l’organisme pour fournir le diagnostic spécifique nécessaire à la médecine personnalisée. Par conséquent, une équipe de chercheurs du Technion, l’Institut israélien de technologie, a entrepris de transformer les ordinateurs en assistants efficaces pour les pathologistes, simplifiant et améliorant le travail du médecin humain. Leur nouvelle étude vient d’être publiée dans communication nature.
La tâche spécifique que le Dr Gil Shamai et Amir Livne du laboratoire du professeur Ron Kimmel de l’école d’informatique Henry et Marilyn Taub du Technion ont entrepris d’accomplir relève du domaine de l’immunothérapie. L’immunothérapie s’est imposée ces dernières années comme un traitement efficace, parfois même innovant, pour divers types de cancer. La base de cette forme de thérapie est d’encourager le système immunitaire de l’organisme à attaquer la tumeur. Cependant, une telle thérapie doit être personnalisée puisque la bonne médication doit être administrée aux patients qui en bénéficieront en fonction des caractéristiques spécifiques de la tumeur.
De multiples mécanismes naturels empêchent notre système immunitaire d’attaquer notre propre corps. Ces mécanismes sont souvent exploités par les tumeurs cancéreuses pour échapper au système immunitaire. L’un de ces mécanismes est lié à la protéine PD-L1 : certaines tumeurs l’affichent et elle agit comme une sorte de mot de passe en convainquant par erreur le système immunitaire que le cancer ne doit pas être attaqué. L’immunothérapie spécifique de PD-L1 peut persuader le système immunitaire d’ignorer ce mot de passe particulier, mais ne serait bien sûr efficace que lorsque la tumeur exprime PD-L1.
C’est le travail d’un pathologiste de déterminer si la tumeur d’un patient exprime PD-L1. Des marqueurs chimiques coûteux sont utilisés pour colorer une biopsie prélevée sur la tumeur afin d’obtenir la réponse. Le processus est non trivial, prend du temps et parfois incohérent. Le Dr Shamai et son équipe ont adopté une approche différente. Ces dernières années, il est devenu une pratique approuvée par la FDA de scanner les biopsies afin qu’elles puissent être utilisées pour l’analyse de pathologie numérique. Amir Livne, le Dr Shamai et le professeur Kimmel ont décidé de voir si un réseau de neurones pouvait utiliser ces scans pour établir le diagnostic sans nécessiter de traitement supplémentaire. « Ils nous ont dit que cela ne pouvait pas être fait », a déclaré l’équipe, « alors bien sûr, nous avons dû leur prouver le contraire. »
Les réseaux de neurones sont entraînés de la même manière que les enfants apprennent : ils sont présentés avec plusieurs exemples étiquetés. On montre à un enfant de nombreux chiens et diverses autres choses, et à partir de ces exemples, une idée de ce qu’est un « chien » est formée. Le réseau de neurones développé par l’équipe du professeur Kimmel a été présenté avec des images de biopsies numériques de 3376 patients étiquetés comme exprimant ou non PD-L1. Après validation préliminaire, il nous a été demandé de déterminer si les images de biopsie d’essais cliniques supplémentaires de 275 patients étaient positives ou négatives pour PD-L1. Cela a fonctionné mieux que prévu : pour 70 % des patients, il a pu déterminer la réponse avec confiance et correctement. Pour les 30% de patients restants, le programme n’a pas été en mesure de trouver les schémas visuels qui lui permettraient de décider d’une manière ou d’une autre. Fait intéressant, dans les cas où l’intelligence artificielle (IA) n’était pas d’accord avec la détermination du pathologiste humain, un deuxième test a prouvé que l’IA avait raison.
C’est une réalisation capitale. Les variations trouvées par l’ordinateur ne sont pas distinguables à l’œil humain. Les cellules sont disposées différemment, qu’elles aient PD-L1 ou non, mais les différences sont si petites que même un pathologiste qualifié ne peut pas les identifier avec confiance. Maintenant, notre réseau de neurones le peut. »
Professeur Ron Kimmel, Faculté d’informatique Henry et Marilyn Taub, Technion-Israel Institute of Technology
Cette réalisation est le travail d’une équipe composée du Dr Gil Shamai et de l’étudiant diplômé Amir Livne, qui a développé la technologie et conçu les expériences, le Dr António Polonia de l’Institut de pathologie moléculaire et d’immunologie de l’Université de Porto, Portugal, professeur Edmond Sabo et le Dr Alexandra Cretu du Carmel Medical Center à Haïfa, en Israël, qui sont des pathologistes experts qui ont mené la recherche, et avec le soutien du professeur Gil Bar-Sela, chef de la division d’oncologie et d’hématologie du Centre, médecin Haemek à Afula, Israël.
« C’est une opportunité incroyable de réunir l’intelligence artificielle et la médecine », a déclaré le Dr Shamai. « J’adore les maths, j’adore développer des algorithmes. Pouvoir utiliser mes compétences pour aider les gens, faire progresser la médecine, c’est plus que ce à quoi je m’attendais lorsque j’ai commencé comme étudiant en informatique. » Il dirige maintenant une équipe de 15 chercheurs, qui font passer ce projet à un niveau supérieur.
« Nous espérons que l’IA deviendra un outil puissant entre les mains des cliniciens », a déclaré le professeur Kimmel. « L’IA peut aider à établir ou à vérifier un diagnostic, elle peut aider à adapter le traitement à chaque patient, elle peut offrir un pronostic. Je ne pense pas qu’elle puisse ou doive remplacer le médecin humain. Mais elle peut faire certains éléments du travail des médecins plus simple, plus rapide et plus précis.
Technion-Institut de technologie d’Israël
Shamaï, G. et coll. (2022).L’analyse d’images basée sur l’apprentissage en profondeur prédit le statut PD-L1 à partir d’images histopathologiques colorées par H&E dans le cancer du sein. Communication Nature. doi.org/10.1038/s41467-022-34275-9.