Nous vous présentions récemment un système mis au point par des scientifiques écossais permettant de repérer plus facilement les mésothéliomes, une forme rare de cancer. Une équipe de chercheurs du département des pathologies du Brigham and Women’s Hospital a conçu un modèle d’intelligence artificielle capable de trouver l’origine des métastases. De plus, cet outil pourrait générer un “diagnostic différentiel” pour les patients atteints de cancers dont l’origine n’est pas connue des médecins.
Une intelligence artificielle pour repérer les tumeurs primaires
Pour les médecins, connaître le site primaire d’origine d’une tumeur est primordial afin de cibler les actions qu’ils souhaitent mener pour lutter contre le cancer et ainsi, augmenter le taux de survie. La plupart des thérapies modernes sont spécifiques à la tumeur primaire, d’où l’importance de la localiser et de l’analyser. À l’heure actuelle, il est impossible de déterminer l’origine des tumeurs métastatiques pour environ 2 % des cas de cancer : les patients se trouvant dans cette situation survivent, selon une estimation médiane, entre 3 et 16 mois.
Pour essayer d’augmenter le taux de survie, plusieurs chercheurs ont mis au point une intelligence artificielle pour essayer d’améliorer le diagnostic pour les patients atteints de cancers métastatiques complexes. Cette étude a fait le cadre d’une publication dont les auteurs sont Ming Y. Lu, Tiffany Y. Chen, Drew F. K. Williamson, Melissa Zhao, Maha Shady, Jana Lipkova et Faisal Mahmood. Leur création se base sur la branche des sciences naturelles qui traite de la structure des tissus vivants : l’histologie.
Un modèle de deep learning
Le modèle Tumor Origin Assessment via Deep Learning (TOAD) utilise, comme son nom l’indique, le deep learning pour identifier la tumeur du patient comme primaire ou métastatique et prédit son site d’origine. Le système a été entrainé à l’aide d’images pathologiques de tumeurs provenant de plus de 22 000 cas de cancers.
TOAD a été testé sur 6 500 cas de cancer dont la tumeur primaire était au préalable localisée et analysée concrètement. Le modèle a identifié correctement la tumeur dans 83 % des cas. L’outil peut proposer jusqu’à trois prédictions qui correspondent aux potentiels diagnostics du patient. Dans 96% des situations, le vrai diagnostic se trouvait parmi les trois proposé par TOAD.
Le programme informatique a ensuite été soumis à 317 cas de cancer du col de l’utérus pour lequel un diagnostic différentiel a été conclu. Dans 61 % des situations, TOAD proposait une première analyse correcte et ce chiffre monte à 82% quand on lui permet de réaliser trois diagnostics. Avec ces résultats, les chercheurs souhaitent poursuivre l’entrainement de leur modèle de deep learning avec davantage de données voire s’engager dans des essais cliniques qu’ils espèrent concluants.
