Des scientifiques utilisent l’IA pour prédire l’évolution du cancer du cerveau

Des scientifiques utilisent l’IA pour prédire l’évolution du cancer du cerveau

Accueil » Parents » Étapes » Enfant » Des scientifiques utilisent l’IA pour prédire l’évolution du cancer du cerveau

Le glioblastome est un cancer du cerveau rapide et agressif, avec une espérance de vie moyenne d’environ un an après le diagnostic. C’est difficile à traiter, en partie parce que la composition cellulaire de chaque tumeur varie considérablement d’une personne à l’autre.

“En raison de l’hétérogénéité de cette maladie, les scientifiques n’ont pas trouvé de bons moyens de la combattre”, a déclaré Olivier Gevaert, Ph.D., professeur agrégé d’informatique biomédicale et de science des données.

Les médecins et les scientifiques ont également du mal à établir un pronostic, car il peut être difficile d’analyser quelles cellules cancéreuses sont à l’origine du glioblastome de chaque patient.

Mais les scientifiques de Stanford Medicine et leurs collègues ont récemment développé un modèle d’intelligence artificielle qui évalue les images colorées du tissu du glioblastome pour prédire l’agressivité de la tumeur d’un patient, déterminer la constitution génétique des cellules tumorales et évaluer si d’importantes cellules cancéreuses subsistent après la chirurgie.

“C’est une sorte de système d’aide à la décision pour les médecins”, a déclaré Yuanning Zheng, Ph.D., chercheur postdoctoral au laboratoire de Gevaert. Leur équipe a récemment publié une étude dans Communications naturelles décrivant comment le modèle pourrait aider les médecins à identifier les patients présentant des caractéristiques cellulaires indiquant des tumeurs plus agressives et à les signaler pour un suivi accéléré.

Une nouvelle vision du glioblastome

Même après que les patients atteints de glioblastome aient subi une intervention chirurgicale, une radiothérapie ou une chimiothérapie, certaines cellules cancéreuses subsistent presque toujours. Presque tous les patients atteints de glioblastome rechutent, certains plus tôt que d’autres.

Les médecins et les scientifiques utilisent généralement ce qu’on appelle des images histologiques, ou des images de tissus pathologiques colorés, pour les aider à identifier les cellules tumorales et à concevoir des plans de traitement. Bien que les images révèlent souvent la forme et l’emplacement des cellules cancéreuses, elles ne dressent pas un tableau complet de la tumeur. Ces dernières années, une technique plus avancée appelée transcriptomique spatiale a été développée. Il révèle l’emplacement et la constitution génétique de dizaines de types de cellules, en utilisant des molécules spécifiques pour identifier le matériel génétique dans les tissus tumoraux.

“Les données de transcriptomique spatiale nous permettent d’examiner ces types de tumeurs d’une manière qui n’était pas possible auparavant”, a déclaré Gevaert. “Mais il s’agit actuellement d’une technologie coûteuse. Il faut quelques milliers de dollars pour générer des données pour un seul patient.”

Gevaert et Zheng se sont tournés vers l’IA pour économiser le processus, en développant un modèle tiré de la transcriptomique spatiale et en améliorant les images histologiques de base, créant ainsi une carte tumorale plus détaillée.

“Le modèle a montré quelles cellules aiment être ensemble, quelles cellules ne veulent pas communiquer et comment cela est en corrélation avec les résultats pour les patients”, a déclaré Gevaert.

Développement du modèle

Les chercheurs ont formé le modèle sur des images de transcriptomique spatiale et des données génétiques de plus de 20 patients atteints de glioblastome. À partir de ces images détaillées, le modèle a appris quels types de cellules, interactions cellule-cellule et profils étaient liés à des résultats plus favorables (ou défavorables) du cancer.

Par exemple, le modèle a révélé que lorsque des cellules tumorales ressemblant à des cellules de soutien des neurones, appelées astrocytes, se regroupaient anormalement, les patients semblaient avoir des cancers plus rapides et plus agressifs. D’autres études ont montré que lorsque les astrocytes se regroupent, ils communiquent des signaux biologiques qui stimulent la croissance tumorale.

En révélant des modèles cellulaires comme cette agglomération révélatrice, le modèle pourrait aider les développeurs de médicaments à concevoir des traitements plus efficaces pour cibler le glioblastome, a déclaré Gevaert.

Les données de transcriptomique spatiale provenant des mêmes patients atteints de glioblastome ont également appris au modèle à identifier différentes cellules tumorales dans les images histologiques correspondantes avec une précision de 78 % ou plus. Essentiellement, il a utilisé la forme des cellules pour prédire quels gènes sont activés et désactivés, informations qui révèlent l’identité d’une cellule.

Zheng espère également que les cliniciens pourront utiliser cette application pour déduire la quantité de tumeur qui a été retirée avec succès au cours de la chirurgie et la quantité qui reste dans le cerveau. Leur modèle a montré que les cellules tumorales présentant des traces génétiques de manque d’oxygène sont souvent situées au centre de la tumeur d’un patient. Lorsque ces cellules étaient observées en proportion plus élevée, cela correspondait à de pires résultats en matière de cancer.

En éclairant les cellules privées d’oxygène dans des échantillons chirurgicaux colorés par histologie, le modèle peut aider les chirurgiens à comprendre combien de cellules cancéreuses peuvent rester dans le cerveau et dans combien de temps reprendre le traitement après l’opération, a déclaré Zheng.

Une fois le modèle formé pour identifier l’emplacement de différents types de cellules à partir d’images de base, les chercheurs ont évalué son utilité sur un ensemble de données plus vaste et distinct d’images histologiques provenant de 410 patients. À partir de ces images, le modèle a commencé à déduire les conséquences du cancer. Les chercheurs ont constaté que le modèle était capable d’identifier des modèles cellulaires correspondant à l’agression du cancer.

L’idée est que le modèle pourrait un jour aider les médecins à identifier les patients présentant une configuration cellulaire indiquant une tumeur plus agressive et pouvant constituer une menace imminente, que ce soit par une rechute ou une croissance rapide.

Et après?

Zheng est enthousiasmé par le potentiel de prédiction du modèle, mais il doit être formé sur davantage de patients avant de le transmettre aux médecins, a-t-il déclaré. Il prévoit d’affiner le modèle afin qu’il puisse créer des cartes cellulaires encore plus granulaires des tumeurs du glioblastome.

À l’heure actuelle, une version de validation de principe de leur modèle, GBM360, est disponible pour permettre aux chercheurs de télécharger des images diagnostiques et de prédire les résultats pour les patients atteints de glioblastome. Zheng souligne cependant que le modèle est encore en phase de recherche et que les résultats de l’algorithme ne devraient pas encore guider les soins aux patients.

Zheng espère que l’algorithme pourra un jour prédire les résultats d’autres pathologies, telles que les cancers du sein ou du poumon. “Je pense que ces intégrations de données multimodales peuvent façonner l’amélioration de la médecine personnalisée à l’avenir.”

Des chercheurs affiliés à l’Université de Grenade, à l’Université de Gand et à l’Université de Fribourg ont contribué aux travaux.

★★★★★

A lire également