Un nouvel outil d’IA pour traiter le cancer

• Des scientifiques de la Harvard Medical School ont conçu un modèle d’IA polyvalent, comparable à ChatGPT, capable d’effectuer diverses tâches de diagnostic sur plusieurs types de cancers
• Ce nouveau système d’IA va un cran plus loin que nombre d’approches actuelles de l’IA pour le diagnostic du cancer
• Les systèmes d’IA actuels sont généralement entraînés à accomplir des tâches spécifiques, comme détecter la présence d’un cancer ou prédire le profil génétique d’une tumeur, et ont tendance à ne fonctionner que sur un petit nombre de types de cancers
• À l’inverse, le nouveau modèle peut accomplir un large éventail de tâches, a été testé sur 19 types de cancers et présente une flexibilité similaire à celle des grands modèles de langage comme ChatGPT
• D’autres modèles de base d’IA pour le diagnostic médical fondés sur des images de pathologie ont récemment émergé, mais celui-ci est considéré comme le premier à prédire les résultats des patients et à avoir été validé sur plusieurs groupes internationaux de patients
• Un modèle d’IA qui fonctionne en lisant des lames de tissus tumoraux
  • Il détecte les cellules cancéreuses et prédit le profil moléculaire des tumeurs à partir des caractéristiques cellulaires visibles sur les images, avec une précision supérieure à celle de la plupart des systèmes d’IA actuels
  • Il prédit la survie des patients sur plusieurs types de cancers et identifie avec précision les caractéristiques des tissus autour de la tumeur (le microenvironnement tumoral) liées à la réponse des patients aux traitements standards, notamment la chirurgie, la chimiothérapie, la radiothérapie et l’immunothérapie
  • Il semble également capable de générer de nouvelles connaissances, par exemple en identifiant certaines caractéristiques tumorales dont le lien avec la survie des patients n’était pas connu
• L’équipe de recherche indique que ces résultats s’ajoutent aux preuves montrant que cette approche pourrait améliorer la capacité des cliniciens à évaluer les cancers de manière efficace et précise, y compris pour identifier les patients susceptibles de mal répondre aux traitements standards
• Kun-Hsing Yu a déclaré : « Si elle est davantage validée et largement déployée, une approche comme la nôtre pourrait permettre d’identifier précocement les patients atteints de cancer susceptibles de bénéficier de traitements expérimentaux ciblant certaines altérations moléculaires spécifiques. »

Entraînement et performances

• Cette dernière étude de l’équipe s’appuie sur les travaux précédents de Yu sur des systèmes d’IA pour l’évaluation du cancer colorectal et des tumeurs cérébrales. Ces recherches antérieures avaient démontré la faisabilité de cette approche sur des types de cancers et des tâches spécifiques
• Le nouveau modèle, appelé CHIEF (Clinical Histopathology Imaging Evaluation Foundation), a été entraîné sur 15 millions d’images non étiquetées, segmentées en zones d’intérêt
• L’outil a ensuite été entraîné sur 60 000 images de lames entières provenant de tissus incluant le poumon, le sein, la prostate, le côlon, l’estomac, l’œsophage, le rein, le cerveau, le foie, la thyroïde, le pancréas, le col de l’utérus, l’utérus, l’ovaire, le testicule, la peau, les tissus mous, la surrénale et la vessie
• En entraînant le modèle à observer à la fois des sections spécifiques des images et les images complètes, les chercheurs ont pu lui faire associer les changements localisés au contexte global. Selon eux, cette approche permet à CHIEF d’interpréter les images de façon plus holistique, en prenant en compte un contexte plus large au lieu de se concentrer uniquement sur une zone donnée
• Après l’entraînement, l’équipe a testé les performances de CHIEF sur plus de 19 400 images de lames entières issues de 32 jeux de données indépendants collectés dans 24 hôpitaux et cohortes de patients à travers le monde
• Globalement, CHIEF a surpassé d’autres méthodes d’IA de pointe jusqu’à 36 % sur des tâches telles que la détection des cellules cancéreuses, l’identification de l’origine des tumeurs, la prédiction des résultats des patients et l’identification de gènes et de motifs d’ADN liés à la réponse aux traitements
• Grâce à la diversité de son entraînement, CHIEF a obtenu des performances équivalentes que les cellules tumorales proviennent d’une biopsie ou d’une résection chirurgicale
• Sa précision est également restée identique quelle que soit la technologie utilisée pour numériser les échantillons de cellules cancéreuses
• Les chercheurs estiment que cette adaptabilité permet à CHIEF d’être utilisé dans divers contextes cliniques et représente une avancée majeure au-delà des modèles actuels, qui ont tendance à bien fonctionner uniquement lorsqu’ils lisent des tissus obtenus par une technologie spécifique

Détection du cancer

• CHIEF a atteint une précision de près de 94 % pour la détection du cancer et a nettement surpassé les approches actuelles de l’IA sur 15 jeux de données couvrant 11 types de cancers
• Sur 5 jeux de données de biopsies collectés dans des cohortes indépendantes, CHIEF a atteint une précision de 96 % sur plusieurs types de cancers, notamment de l’œsophage, de l’estomac, du côlon et de la prostate
• Lorsque les chercheurs ont testé CHIEF sur des lames de tumeurs chirurgicalement retirées du côlon, du poumon, du sein, de l’endomètre et du col de l’utérus qu’il n’avait jamais vues auparavant, le modèle a obtenu une précision supérieure à 90 %

Prédiction du profil moléculaire des tumeurs

• La composition génétique d’une tumeur fournit des indices essentiels pour déterminer son comportement futur et le traitement optimal
• Pour obtenir cette information, les oncologues demandent un séquençage ADN des échantillons tumoraux, mais dans le monde, ce profilage génomique détaillé des tissus cancéreux n’est ni systématique ni homogène en raison de son coût et du temps nécessaire
• CHIEF a surpassé les méthodes actuelles d’IA pour prédire les altérations génomiques des tumeurs à partir de simples lames observées au microscope
• Cette nouvelle approche d’IA a réussi à identifier des caractéristiques associées à plusieurs gènes importants liés à la croissance et à la suppression des cancers, et a prédit des altérations génétiques clés liées à la réponse potentielle des tumeurs à différents traitements standards
• CHIEF a également détecté certains motifs d’ADN liés à la capacité des tumeurs colorectales à répondre à une forme d’immunothérapie appelée blocage des points de contrôle immunitaires
• En analysant des images tissulaires complètes, CHIEF a identifié des mutations dans 54 gènes du cancer fréquemment altérés avec une précision globale supérieure à 70 %, dépassant ainsi les méthodes d’IA actuellement à l’état de l’art pour la prédiction génomique en cancérologie. La précision était encore plus élevée pour certains gènes dans certains types de cancers
• L’équipe a également testé la capacité de CHIEF à prédire, sur 18 gènes répartis sur 15 sites anatomiques, des mutations associées à la réponse à des thérapies ciblées approuvées par la FDA. CHIEF a obtenu des niveaux de précision élevés pour plusieurs types de cancers, notamment 96 % pour la détection de mutations du gène EZH2, fréquentes dans un cancer du sang appelé lymphome diffus à grandes cellules B, 89 % pour les mutations du gène BRAF dans le cancer de la thyroïde et 91 % pour les mutations du gène NTRK1 dans les cancers de la tête et du cou

Prédiction de la survie des patients

• CHIEF a réussi à prédire la survie des patients à partir d’images histopathologiques de tissus tumoraux obtenues au moment du diagnostic initial
• Tous types de cancers et groupes de patients confondus, CHIEF a distingué les patients à survie longue de ceux à survie courte
• CHIEF a obtenu des performances supérieures de 8 % à celles des autres modèles, et de 10 % chez les patients atteints d’un cancer avancé
• Sa capacité à prédire un risque élevé ou faible de décès a été testée et confirmée sur des échantillons de patients provenant de 17 institutions différentes

Extraction de nouvelles connaissances sur le comportement tumoral

• Le modèle a identifié des motifs caractéristiques dans les images associés à l’agressivité des tumeurs et à la survie des patients
• Pour visualiser ces zones d’intérêt, CHIEF a généré des cartes thermiques sur les images. Lorsque des pathologistes humains ont analysé ces points chauds dérivés de l’IA, ils ont observé des signaux intéressants reflétant les interactions entre les cellules cancéreuses et les tissus environnants
• L’une de ces caractéristiques était la présence d’un plus grand nombre de cellules immunitaires dans les zones tumorales des survivants de longue durée par rapport aux survivants de courte durée. Yu souligne que cette observation est plausible, car une présence plus importante de cellules immunitaires peut indiquer que le système immunitaire est activé pour attaquer la tumeur
• En observant les tumeurs des survivants de courte durée, CHIEF a identifié des zones d’intérêt caractérisées par des proportions anormales entre différents composants cellulaires, davantage de caractéristiques atypiques dans les noyaux cellulaires, des connexions plus faibles entre les cellules, ainsi qu’une moindre présence de tissu conjonctif autour de la tumeur. Ces tumeurs présentaient également davantage de cellules mourantes à proximité. Par exemple, dans les tumeurs du sein, CHIEF a mis en évidence comme zone d’intérêt la présence de nécrose tissulaire (mort cellulaire précoce). À l’inverse, les cancers du sein associés à une meilleure survie avaient davantage tendance à préserver des structures cellulaires similaires à celles des tissus sains. L’équipe explique que les caractéristiques visuelles et les zones d’intérêt liées à la survie variaient selon le type de cancer

Prochaines étapes

Les chercheurs disent prévoir d’améliorer les performances de CHIEF et d’étendre ses capacités de plusieurs façons :

• poursuivre l’entraînement sur des images tissulaires de maladies rares et de pathologies non cancéreuses
• inclure des échantillons de tissus précancéreux, avant que les cellules ne deviennent totalement cancéreuses
• exposer le modèle à davantage de données moléculaires pour améliorer sa capacité à identifier des cancers de niveaux d’agressivité différents
• entraîner le modèle à prédire, au-delà des traitements standards, les bénéfices et les effets secondaires de nouveaux traitements contre le cancer

L’avis de GN⁺

• Cette étude montre les progrès de la technologie d’IA pour le diagnostic du cancer et l’élaboration de plans de traitement. Elle est particulièrement significative par le développement d’un modèle généraliste applicable à plusieurs types de cancers
• Toutefois, pour une application réelle en pratique clinique, il faudra davantage de validations sur plus de données et mettre en place des moyens permettant une collaboration efficace entre médecins et IA. Des questions restent aussi à résoudre, notamment la précision du diagnostic et la responsabilité en cas d’erreur
• Parmi les technologies similaires figurent des entreprises comme Paige.AI et Proscia, qui diagnostiquent le cancer via l’analyse d’images pathologiques. Elles proposent des solutions spécialisées pour certains types de cancers, ce qui les distingue de cette recherche sur le plan de la polyvalence
• L’adoption de technologies de diagnostic du cancer fondées sur l’IA nécessitera aussi divers consensus sociaux et ajustements institutionnels, notamment sur l’évolution du rôle du personnel médical, l’amélioration des processus de diagnostic et l’ajustement de la tarification des actes médicaux. En parallèle, les risques techniques et éthiques, comme les biais de l’IA et les enjeux de protection des données personnelles, devront être examinés avec attention
• À l’avenir, si des technologies d’IA capables d’analyser de manière intégrée jusqu’aux caractéristiques de biologie moléculaire des tissus cancéreux et de prédire la réponse aux médicaments voient le jour, elles pourraient contribuer de façon majeure à la médecine de précision