Un nouvel outil d’IA prédit avec précision l’agressivité du cancer colorectal

Un nuevo modelo de inteligencia artificial diseñado por investigadores de la Escuela de Medicina de Harvard y la Universidad Nacional Cheng Kung en Taiwán podría brindar la claridad que tanto necesitan los médicos que brindan pronósticos y deciden tratamientos para pacientes con cáncer colorrectal, el segundo cáncer más mortal Dans le monde entier.

Il suffit de regarder des photos d’échantillons de tumeurs ; représentations microscopiques des cellules cancéreuses – ; le nouvel outil prédit avec précision le degré d’agressivité d’une tumeur colorectale, la probabilité que le patient survive avec et sans récidive de la maladie, et quel pourrait être le traitement optimal pour lui.

Disposer d’un outil qui répond à ces questions pourrait aider les cliniciens et les patients à naviguer dans cette maladie rusée, qui se comporte souvent différemment même parmi les personnes ayant des profils de maladie similaires recevant le même traitement ; et pourrait finalement sauver une partie du million de vies que le cancer colorectal réclame chaque année.

Un compte-rendu des travaux de l’équipe est publié le 13 avril dans Communication Nature.

Les chercheurs affirment que l’outil est destiné à améliorer, et non à remplacer, l’expérience humaine.

« Notre modèle effectue des tâches que les pathologistes humains ne peuvent pas effectuer uniquement sur la base de l’affichage d’images », a déclaré le co-auteur principal de l’étude, Kun-Hsing Yu, professeur adjoint d’informatique biomédicale à l’Institut HMS Blavatnik. Yu a dirigé une équipe internationale de pathologistes, d’oncologues, d’informaticiens biomédicaux et d’informaticiens.

Ce que nous prévoyons n’est pas un remplacement de l’expertise en pathologie humaine, mais plutôt une augmentation de ce que les pathologistes humains peuvent faire. Nous espérons que cette approche augmentera la pratique clinique actuelle du traitement du cancer. »

Kun-Hsing Yu, professeur adjoint d’informatique biomédicale, Institut Blavatnik au HMS

Les chercheurs avertissent que le pronostic de tout patient individuel dépend de plusieurs facteurs et qu’aucun modèle ne peut parfaitement prédire la survie d’un patient donné. Cependant, ajoutent-ils, le nouveau modèle pourrait être utile pour guider les cliniciens à suivre de plus près, à envisager des traitements plus agressifs ou à recommander des essais cliniques testant des thérapies expérimentales si leurs patients ont des pronostics plus sombres évalués par l’outil.

L’outil pourrait être particulièrement utile dans les régions aux ressources limitées à la fois dans ce pays et dans le monde où la pathologie avancée et le séquençage génétique des tumeurs peuvent ne pas être facilement disponibles, ont noté les chercheurs.

Le nouvel outil va au-delà de nombreux outils d’IA actuels, qui effectuent principalement des tâches qui reproduisent ou optimisent l’expérience humaine. Le nouvel outil, par comparaison, détecte et interprète des modèles visuels dans des images microscopiques qui sont imperceptibles à l’œil humain.

L’outil, appelé MOMA (pour Multi-omics Multi-cohort Assessment) est accessible gratuitement aux chercheurs et cliniciens.

Formation et tests approfondis

Le modèle a été formé sur les informations obtenues auprès de près de 2 000 patients atteints de cancer colorectal de diverses cohortes nationales de patients qui, ensemble, comprennent plus de 450 000 participants ; l’étude de suivi des professionnels de la santél’étude sur la santé des infirmières, le programme Atlas du génome du cancer et l’essai de dépistage du cancer du NIH PLCO (prostate, poumon, colorectal et ovaire).

Au cours de la phase de formation, les chercheurs ont fourni au modèle des informations sur l’âge, le sexe, le stade du cancer et les résultats pour les patients. Ils lui ont également fourni des informations sur les profils génomique, épigénétique, protéique et métabolique des tumeurs.

Les chercheurs ont ensuite montré des images modèles de pathologie d’échantillons de tumeurs et lui ont demandé de rechercher des marqueurs visuels liés aux types de tumeurs, aux mutations génétiques, aux altérations épigénétiques, à la progression de la maladie et à la survie des patients.

Les chercheurs ont ensuite testé comment le modèle pourrait fonctionner dans « le monde réel » en lui fournissant un ensemble d’images inédites d’échantillons de tumeurs provenant de différents patients. Ils ont comparé leurs performances avec les résultats réels des patients et d’autres informations cliniques disponibles.

Le modèle a prédit avec précision la survie globale des patients après le diagnostic, ainsi que le nombre d’années pendant lesquelles ils seraient sans cancer.

L’outil a également prédit avec précision comment un patient individuel pourrait répondre à différentes thérapies, selon que la tumeur du patient hébergeait des mutations génétiques spécifiques qui rendaient le cancer plus ou moins sujet à la progression ou à la propagation.

Dans les deux domaines, l’outil a surpassé les pathologistes humains, ainsi que les modèles d’IA actuels.

Les chercheurs ont déclaré que le modèle sera mis à jour régulièrement à mesure que la science évolue et que de nouvelles données émergent.

« Il est essentiel qu’avec tout modèle d’IA, nous surveillions en permanence son comportement et ses performances, car nous pouvons observer des changements dans la répartition de la charge de morbidité ou de nouvelles toxines environnementales qui contribuent au développement du cancer », a déclaré Yu. « Il est important d’augmenter le modèle avec de nouvelles et plus de données à mesure qu’elles émergent afin que ses performances ne soient jamais à la traîne. »

Discerner les modèles révélateurs

Le nouveau modèle tire parti des progrès récents des techniques d’imagerie des tumeurs qui offrent des niveaux de détail sans précédent, mais restent imperceptibles pour les évaluateurs humains. Sur la base de ces détails, le modèle a identifié avec succès des indicateurs de l’agressivité d’une tumeur et de sa probabilité de se comporter en réponse à un traitement particulier.

Sur la base d’une seule image, le modèle a également identifié des caractéristiques associées à la présence ou à l’absence de mutations génétiques spécifiques ; quelque chose qui nécessite normalement le séquençage génomique de la tumeur. Le séquençage peut prendre du temps et être coûteux, en particulier pour les hôpitaux où de tels services ne sont pas systématiquement disponibles.

Dans de telles situations précisément, le modèle pourrait fournir une aide à la décision rapide pour le choix du traitement dans des contextes à ressources limitées ou dans des situations où le tissu tumoral n’est pas disponible pour le séquençage génétique, ont déclaré les chercheurs.

Les chercheurs ont déclaré qu’avant que le modèle ne soit déployé pour être utilisé dans les cliniques et les hôpitaux, il doit être testé dans un essai prospectif randomisé évaluant les performances de l’outil chez de vrais patients au fil du temps après le diagnostic initial. Une telle étude fournirait la démonstration de référence des capacités du modèle, a déclaré Yu, en comparant directement les performances de l’outil dans la vie réelle en utilisant uniquement des images avec celles de médecins humains utilisant des connaissances et des résultats de tests auxquels le modèle n’a pas accès.

Une autre force du modèle, selon les chercheurs, est son raisonnement transparent. Si un médecin utilisant le modèle demande pourquoi il a fait une certaine prédiction, l’outil pourrait expliquer son raisonnement et les variables qu’il a utilisées.

Cette fonctionnalité est importante pour accroître la confiance des médecins dans les modèles d’IA qu’ils utilisent, a déclaré Yu.

Mesure de la progression de la maladie, traitement optimal

Le modèle a identifié avec précision les caractéristiques d’imagerie liées aux différences de survie. Par exemple, il a identifié trois caractéristiques d’image qui laissaient présager de pires résultats :

• Augmentation de la densité cellulaire au sein d’une tumeur.
• La présence de tissu conjonctif de soutien autour des cellules tumorales, connu sous le nom de stroma.
• Interactions des cellules tumorales avec les cellules musculaires lisses.

Le modèle a également identifié des modèles dans le stroma tumoral qui indiquaient quels patients étaient les plus susceptibles de vivre plus longtemps sans récidive du cancer.

L’outil a également prédit avec précision quels patients bénéficieraient d’une classe de traitements contre le cancer appelés inhibiteurs de points de contrôle immunitaires. Bien que ces thérapies fonctionnent pour de nombreux patients atteints de cancer du côlon, certaines présentent des avantages mesurables et ont de graves effets secondaires. Par conséquent, le modèle pourrait aider les médecins à personnaliser le traitement et à éviter les patients qui n’en bénéficieraient pas, a déclaré Yu.

Le modèle a également détecté avec succès des changements épigénétiques associés au cancer colorectal. Ces changements -; qui se produisent lorsque des molécules connues sous le nom de groupes méthyle se lient à l’ADN et modifient le comportement de cet ADN ; ils sont connus pour faire taire les gènes suppresseurs de tumeurs, provoquant une croissance rapide des cancers. La capacité du modèle à identifier ces changements marque une autre manière dont il peut éclairer le choix du traitement et le pronostic.