Un outil d’IA offre un profilage en temps réel des tumeurs cérébrales pendant une intervention chirurgicale, guidant ainsi les décisions de traitement
Les scientifiques ont conçu un outil d’IA capable de décoder rapidement l’ADN d’une tumeur cérébrale afin de déterminer son identité moléculaire pendant une intervention chirurgicale – une information critique qui, dans le cadre de l’approche actuelle, peut prendre quelques jours, voire quelques semaines.
Connaître le type moléculaire d’une tumeur permet aux neurochirurgiens de prendre des décisions telles que la quantité de tissu cérébral à retirer et l’opportunité d’administrer des médicaments anticancéreux directement dans le cerveau, pendant que le patient est encore sur la table d’opération.
Un rapport sur les travaux, dirigé par des chercheurs de la Harvard Medical School, a été publié dans la revue Médical.
Un diagnostic moléculaire précis, qui détaille les altérations de l’ADN dans une cellule, pendant une intervention chirurgicale peut aider un neurochirurgien à décider de la quantité de tissu cérébral à retirer. En retirer trop lorsque la tumeur est moins agressive peut affecter la fonction neurologique et cognitive du patient. De même, en retirer trop peu lorsque la tumeur est très agressive peut laisser derrière lui des tissus malins qui peuvent se développer et se propager rapidement.
“À l’heure actuelle, même la pratique clinique de pointe ne peut pas profiler les tumeurs de manière moléculaire pendant une intervention chirurgicale. Notre outil surmonte ce défi en extrayant des signaux biomédicaux jusqu’ici inexploités à partir de lames de pathologie congelées”, a déclaré l’auteur principal de l’étude, Kun-Hsing Yu, assistant. professeur d’informatique biomédicale à l’Institut Blavatnik de HMS.
Connaître l’identité moléculaire d’une tumeur pendant une intervention chirurgicale est également précieux, car certaines tumeurs bénéficient d’un traitement sur place avec des plaquettes recouvertes de médicament placées directement dans le cerveau au moment de l’opération, a déclaré Yu.
“La capacité de déterminer un diagnostic moléculaire peropératoire en temps réel, pendant une intervention chirurgicale, peut propulser le développement d’une oncologie de précision en temps réel”, a ajouté Yu.
L’approche diagnostique peropératoire standard utilisée consiste désormais à prélever du tissu cérébral, à le congeler et à l’examiner au microscope. Un inconvénient majeur est que la congélation des tissus a tendance à modifier l’apparence des cellules au microscope et peut interférer avec la précision de l’évaluation clinique. De plus, l’œil humain, même lorsqu’il utilise des microscopes puissants, ne peut pas détecter de manière fiable de subtiles variations génomiques sur une lame.
La nouvelle approche de l’IA surmonte ces défis.
L’outil, appelé CHARM (Cryosection Histopathology Assessment and Review Machine), est librement accessible aux autres chercheurs. Il doit encore être validé cliniquement par des tests dans des contextes réels et autorisé par la FDA avant son déploiement dans les hôpitaux, a indiqué l’équipe de recherche.
Déchiffrer le code moléculaire du cancer
Les progrès récents de la génomique ont permis aux pathologistes de différencier les signatures moléculaires – et les comportements que ces signatures présagent – entre divers types de cancer du cerveau ainsi qu’au sein de types spécifiques de cancer du cerveau. Par exemple, le gliome – la tumeur cérébrale la plus agressive et la forme de cancer du cerveau la plus courante – comporte trois sous-variantes principales qui portent différents marqueurs moléculaires et ont des propensions différentes à se développer et à se propager.
La capacité du nouvel outil à accélérer le diagnostic moléculaire pourrait être particulièrement utile dans les zones ayant un accès limité à la technologie pour effectuer un séquençage génétique rapide du cancer.
Au-delà des décisions prises lors de l’intervention chirurgicale, la connaissance du type moléculaire d’une tumeur fournit des indices sur son agressivité, son comportement et sa réponse probable aux différents traitements. Ces connaissances peuvent éclairer les décisions postopératoires.
En outre, le nouvel outil permet des diagnostics pendant l’intervention chirurgicale alignés sur le système de classification récemment mis à jour de l’Organisation mondiale de la santé pour diagnostiquer et évaluer la gravité des gliomes, qui nécessite que de tels diagnostics soient établis sur la base du profil génomique d’une tumeur.
CHARME de formation
CHARM a été développé à partir de 2 334 échantillons de tumeurs cérébrales provenant de 1 524 personnes atteintes de gliome provenant de trois populations de patients différentes. Lorsqu’il a été testé sur un ensemble d’échantillons de cerveau inédit, l’outil a distingué des tumeurs présentant des mutations moléculaires spécifiques avec une précision de 93 % et a réussi à classer trois principaux types de gliomes présentant des caractéristiques moléculaires distinctes, porteurs de pronostics différents et répondant différemment aux traitements.
En allant plus loin, l’outil a réussi à capturer les caractéristiques visuelles des tissus entourant les cellules malignes. Il était capable de détecter des zones révélatrices présentant une plus grande densité cellulaire et une plus grande mort cellulaire dans les échantillons, deux signes signalant des types de gliomes plus agressifs.
L’outil a également pu identifier des altérations moléculaires cliniquement importantes dans un sous-ensemble de gliomes de bas grade, un sous-type de gliome moins agressif et donc moins susceptible d’envahir les tissus environnants. Chacun de ces changements signale également une propension différente à la croissance, à la propagation et à la réponse au traitement.
L’outil a en outre relié l’apparence des cellules – la forme de leurs noyaux, la présence d’œdème autour des cellules – au profil moléculaire de la tumeur. Cela signifie que l’algorithme peut identifier le lien entre l’apparence d’une cellule et le type moléculaire d’une tumeur.
Cette capacité à évaluer le contexte plus large autour de l’image rend le modèle plus précis et plus proche de la façon dont un pathologiste humain évaluerait visuellement un échantillon de tumeur, a déclaré Yu.
Les chercheurs affirment que même si le modèle a été entraîné et testé sur des échantillons de gliomes, il pourrait être recyclé avec succès pour identifier d’autres sous-types de cancer du cerveau.
Les scientifiques ont déjà conçu des modèles d’IA pour profiler d’autres types de cancer (côlon, poumon, sein), mais les gliomes restent particulièrement difficiles en raison de leur complexité moléculaire et de l’énorme variation de la forme et de l’apparence des cellules tumorales.
L’outil CHARM devrait être recyclé périodiquement pour refléter les nouvelles classifications des maladies à mesure qu’elles émergent de nouvelles connaissances, a déclaré Yu.
“Tout comme les cliniciens humains qui doivent suivre une formation continue, les outils d’IA doivent suivre les dernières connaissances pour rester au top de leurs performances.”
Les co-enquêteurs comprenaient MacLean P. Nasrallah, Junhan Zhao, Cheng Che Tsai, David Meredith, Eliana Marostica, Keith L. Ligon et Jeffrey A. Golden.
