L’intelligence artificielle (IA) stimule rapidement l’oncologie numérique. Les tests de biomarqueurs numériques peuvent aider les cliniciens à prendre des décisions éclairées et personnalisées en matière de traitement du cancer. Cependant, en 2023, il existe encore peu de produits de ce type sur le marché qui ont été utilisés à grande échelle et à maturité.

Un rapport de consensus impliquant 24 experts ayant une expérience directe en pathologie informatique/IA en pathologie (CPath/AI) indique que l’IA améliorera la précision du diagnostic et modifiera considérablement les tâches quotidiennes des techniciens en pathologie. D’ici 2030, l’IA sera utilisée de manière routinière et efficace dans les laboratoires de pathologie.

Deux études indépendantes récemment publiées dans eBiomedicine et The Lancet Digital Health, une revue subsidiaire de The Lancet, ont respectivement examiné : l'importance pronostique d'un système de notation des lymphocytes infiltrant les tumeurs (TIL, qui peuvent être utilisés comme cible médicamenteuse pour le traitement du cancer) basé sur l'apprentissage profond à différents stades du mélanome (un cancer de la peau) ; et l’intérêt d’utiliser l’IA comme lecteur indépendant dans le flux de travail de mammographie.

Deux études sur différents cancers

La première étude a été réalisée conjointement par des chercheurs du département de dermatologie de l'université de Tuebingen en Allemagne, du département de dermatologie de l'université de Heidelberg en Allemagne et du département de pathologie de la faculté de médecine de l'université de Yale aux États-Unis. Dans l'étude, les chercheurs ont utilisé l'algorithme d'apprentissage profond NN192, un algorithme développé pour le système de notation TIL standard et numérique « eTILs », pour analyser 321 mélanomes primaires et 191 échantillons métastatiques.

Les chercheurs ont découvert que les patients atteints de mélanome avec de faibles scores eTILs avaient plus de deux fois plus de risques de développer des métastases à distance à partir de leurs tissus cancéreux que les patients avec des scores eTILs élevés. Dans le même temps, les scores eTILs ont diminué entre les échantillons de mélanome primaire et de métastases. Les patients avec un score eTIL ≤ 12,2 % et un traitement concomitant par immunothérapie anti-PD-1 ont de mauvais résultats en matière de survie. Cela démontre que les eTIL sont prédictifs des échantillons de mélanome primaire et que les eTIL peuvent prédire la réponse et les résultats de survie chez les patients recevant un traitement PD-1.

À cet égard, Roberto Salgado, coprésident du groupe de travail international sur les biomarqueurs d'immuno-oncologie, a déclaré qu'une quantification précise des cellules immunitaires implique des informations pronostiques et prédictives et est importante pour les parcours cliniques et les plans de traitement personnalisés. De plus, les résultats des évaluations informatiques sont beaucoup plus précis que les évaluations manuelles.

La deuxième étude a été menée par Karin Dembrower et son équipe du service de pathologie oncologique de l'institut Karolinska et de l'hôpital Capio Sankt Göran en Suède.

Dans cette étude, l'équipe de recherche a inclus 55 581 femmes âgées de 40 à 74 ans portant des implants mammaires non remplis, sur la base d'un dépistage régulier du cancer du sein à l'hôpital Capio Sankt Göran du 1er avril 2021 au 9 juin 2022. L'étude a suivi le dépistage par ammonographie au format des lignes directrices nationales suédoises, dans lequel deux radiologues ont évalué indépendamment la mammographie de chaque participante, et en cas de lecture anormale par l'un d'entre eux, une discussion consensuelle a eu lieu pour décider si pour procéder à une imagerie plus approfondie. Si des tests supplémentaires soupçonnent toujours que le patient est atteint d'un cancer, un échantillon de biopsie est obtenu, qui est analysé par un pathologiste et un diagnostic définitif est posé.

Dans l’étude, InsightMMG (un système d’IA) fonctionnait comme lecteur indépendant en arrière-plan pendant que deux radiologues lisaient les images. Les radiologues n'ont pas pu accéder à InsightMMG pour obtenir des informations avant la discussion de consensus, au cours de laquelle les radiologues ont eu accès aux informations InsightMMG pour tous les cas, y compris les résultats d'images locales, les contours graphiques et les scores d'anomalies d'IA correspondants.

L'équipe de recherche a mené quatre stratégies de lecture et examiné les résultats diagnostiques réels d'une double lecture par deux radiologues (situation standard), d'une double lecture par un radiologue et du système d'IA, d'une lecture unique par le système d'IA et d'une troisième lecture par deux radiologues et le système d'IA. Les résultats ont montré que par rapport à la situation standard, le taux de détection du cancer par double lecture par un radiologue et le système d'IA a augmenté de 4 % et le taux de rappel a diminué de 4 % ; le taux de détection du cancer pour une lecture unique par le système d'IA n'avait pas de différence significative et le taux de rappel a diminué de 47 % ; le taux de détection du cancer par deux radiologues et le système d'IA pour la troisième lecture a légèrement augmenté, le taux de rappel a augmenté de 5 % et les discussions de consensus ont augmenté de près de 50 %.

L'équipe de recherche a déclaré que les systèmes d'IA et les humains considéreront certaines caractéristiques différentes de l'image comme un cancer suspect lors de la lecture des images, de sorte que la synergie des humains et des systèmes d'IA peut améliorer le taux de détection du cancer du sein dans les mammographies. La lecture unique du système d'IA minimise le fardeau psychologique des participants causé par plusieurs examens, mais cela signifie qu'une grande partie des mammographies ne sont jamais évaluées par un médecin. Deux radiologues et la troisième lecture du système d'IA peuvent détecter le cancer dans la plus grande mesure, mais cela doit être mis en balance avec des problèmes tels que l'augmentation des coûts de détection et la pénurie de radiologues.

Le marché doit encore continuer à se développer

Roberto Salgado a déclaré que les tests de biomarqueurs numériques peuvent aider les cliniciens à prendre des décisions éclairées et personnalisées en matière de traitement du cancer. Cependant, en 2023, il existe encore peu de produits de ce type sur le marché qui ont été utilisés à grande échelle et à maturité.

Le 7 septembre, heure locale, Paige.AI, un développeur américain de technologies de diagnostic du cancer, a annoncé qu'il coopérerait avec la société de technologie américaine Microsoft (Microsoft) pour construire le plus grand modèle d'IA basé sur l'image au monde et l'appliquer au développement de la pathologie numérique et de l'oncologie.

Par coïncidence, le 11 septembre, heure locale, la société technologique américaine Dell (DELL) et le Digital Cancer Research Center de l'Université de Limerick en Irlande ont développé conjointement une plateforme d'IA et une technologie de jumeau numérique pour promouvoir la recherche sur la prédiction et le diagnostic du lymphome à cellules B.

"C'est un début très excitant, et nous attendons avec impatience le soutien numérique de l'équipe Dell Technologies pour accélérer ce projet." Paul Murray, professeur de pathologie moléculaire à l'Université de Limerick et directeur scientifique de l'unité de pathologie numérique du Digital Cancer Research Center, a déclaré : « En travaillant avec l'équipe Dell Technologies, nous serons en mesure de mieux comprendre comment les cellules se détériorent au cours du développement du cancer et de trouver de nouvelles façons de diagnostiquer et de traiter les patients atteints de cancer.