Un outil d'IA prédit la survie au cancer du côlon et la réponse au traitement

Le modèle offre des informations exploitables aux médecins et pourrait augmenter les décisions cliniques dans les zones à ressources limitées.

Une nouvelle intelligence artificielle modèle conçu par des chercheurs de la Harvard Medical School et de l'Université nationale Cheng Kung à Taïwan pourrait apporter une clarté indispensable aux médecins qui pronostiquent et décident des traitements pour les patients atteints de cancer colorectal, le deuxième cancer le plus meurtrier au monde.

Uniquement en regardant des images d'échantillons de tumeurs - des représentations microscopiques de cellules cancéreuses - le nouvel outil prédit avec précision l'agressivité d'une tumeur colorectale, la probabilité que le patient survive avec et sans récidive de la maladie, et quelle pourrait être la thérapie optimale pour eux.

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 qui reçoivent le même traitement - et pourrait finalement épargner une partie du million de vies que le cancer colorectal réclame chaque année. .

Un rapport sur les travaux de l'équipe est publié dans Nature Communications.

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

"Notre modèle effectue des tâches que les pathologistes humains ne peuvent pas faire en se basant uniquement sur la visualisation d'images", a déclaré le co-senior de l'étude auteur Kun-Hsing Yu, professeur adjoint d'informatique biomédicale à l'Institut Blavatnik du HMS. 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 une augmentation de ce que les pathologistes humains peuvent faire", a ajouté Yu. "Nous nous attendons à ce que cette approche augmente la pratique clinique actuelle de la gestion du cancer."

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 mauvais sur la base de l'évaluation de 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'expertise humaine. Le nouvel outil, par comparaison, détecte et interprète les modèles visuels sur les images de microscopie qui sont indiscernables à l'œil humain.

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

Formation et tests approfondis

Le modèle a été formé sur les informations obtenues auprès de près de 2,000 450,000 patients atteints d'un cancer colorectal de diverses cohortes nationales de patients qui, ensemble, comprennent plus de XNUMX XNUMX participants - le Étude de suivi auprès des professionnels de la santé, Étude sur la santé des infirmières et infirmiers, Programme Atlas du génome du cancer, et les NIH PLCO Essai de dépistage du cancer (de la prostate, du poumon, colorectal et de l'ovaire).

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

Ensuite, les chercheurs ont montré les images pathologiques modèles 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 qu'il n'avait jamais vues auparavant d'échantillons de tumeurs provenant de différents patients. Ils ont comparé ses 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 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 ces deux domaines, l'outil a surpassé les pathologistes humains ainsi que les modèles d'IA actuels.

Les chercheurs ont déclaré que le modèle subirait des mises à jour périodiques 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 voir des changements dans la répartition du fardeau de la maladie ou de nouvelles toxines environnementales qui contribuent au développement du cancer", a déclaré Yu. "Il est important d'enrichir le modèle avec de nouvelles données au fur et à mesure qu'elles arrivent 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, qui restent néanmoins indiscernables 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 les caractéristiques associées à la présence ou à l'absence de mutations génétiques spécifiques, ce qui nécessite généralement un séquençage génomique de la tumeur. Le séquençage peut être long et coûteux, en particulier pour les hôpitaux où de tels services ne sont pas systématiquement disponibles.

C'est précisément dans de telles situations que 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 il n'y a pas de tissu tumoral disponible pour le séquençage génétique, ont déclaré les chercheurs.

Les chercheurs ont déclaré qu'avant de déployer le modèle pour une utilisation dans les cliniques et les hôpitaux, il devrait être testé dans un essai prospectif randomisé qui évalue les performances de l'outil chez des patients réels 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 réelles de l'outil en utilisant uniquement des images avec celles de cliniciens humains qui utilisent des connaissances et des résultats de test auxquels le modèle n'a pas accès.

Une autre force du modèle, selon les chercheurs, est son raisonnement transparent. Si un clinicien utilisant le modèle demande pourquoi il a fait une prédiction donnée, l'outil serait en mesure d'expliquer son raisonnement et les variables qu'il a utilisées.

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

Évaluer la progression de la maladie, traitement optimal

Le modèle a identifié avec précision les caractéristiques de l'image liées aux différences de survie.

Par exemple, il a identifié trois caractéristiques d'image qui laissaient présager de pires résultats :

• Une plus grande densité cellulaire dans 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 chez de nombreux patients atteints d'un cancer du côlon, certaines ne présentent aucun avantage mesurable et ont de graves effets secondaires. Le modèle pourrait ainsi aider les cliniciens à adapter le traitement et à épargner 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 fixent à l'ADN et modifient le comportement de cet ADN - sont connus pour faire taire les gènes qui suppriment les tumeurs, provoquant une croissance rapide des cancers. La capacité du modèle à identifier ces changements marque une autre façon dont il peut éclairer le choix du traitement et le pronostic.