La vision par ordinateur fait progresser la détection et le traitement du cancer

La vision par ordinateur est une branche de l'intelligence artificielle qui permet aux algorithmes de comprendre et d'interpréter des données visuelles provenant d'images et de vidéos. Dans la recherche sur le cancer, elle est de plus en plus utilisée pour analyser des informations visuelles complexes provenant de lames de pathologie, d'échantillons microscopiques et de scanners médicaux. Ces outils peuvent rationaliser de longs flux de travail, permettant à des équipes manquant de ressources d'atteindre leurs objectifs et, en fin de compte, d'améliorer les soins prodigués aux patients.

Mieux comprendre les facteurs tumoraux

À la suite d'un diagnostic de cancer par biopsie, les pathologistes procèdent souvent au séquençage de l'ARN afin de découvrir les altérations génomiques qui alimentent la croissance de la tumeur. Ces connaissances sont essentielles à la fois pour la recherche et pour l'élaboration de thérapies personnalisées. Cependant, le coût élevé et la lenteur des méthodes actuelles poussent à rechercher des alternatives plus efficaces.

Pour y remédier, une équipe de chercheurs a mis au point un outil d'intelligence artificielle qui prédit l'activité génétique dans les cellules tumorales directement à partir d'images de microscopie de biopsie standard. L'équipe a entraîné son modèle sur un vaste ensemble de données de plus de 7 500 échantillons couvrant 16 types de cancer, complété par des images de cellules saines à des fins de comparaison.

L'équipe a conçu l'outil pour qu'il soit clair et pratique. Il génère une carte visuelle de la biopsie, mettant en évidence les modèles d'activité génique prédits. Les chercheurs peuvent ainsi repérer les variations spatiales au sein de la tumeur. En utilisant une technique courante de coloration des cellules, l'IA a réussi à identifier les profils d'expression de plus de 15 000 gènes à partir des images colorées.

Les résultats ont montré une corrélation de plus de 80 % entre les prédictions d'activité génétique de l'IA et les mesures réelles. La précision du modèle s'est généralement améliorée lorsqu'il a été entraîné sur des ensembles de données plus importants, spécifiques à un type de cancer donné.

D'autres expériences ont démontré le potentiel de l'algorithme pour évaluer les scores de risque génomique chez les patientes atteintes d'un cancer du sein. Les patientes identifiées comme présentant un risque plus élevé ont connu des récidives plus fréquentes et plus précoces.

L'IA continue de permettre des avancées médicales remarquables, comme les systèmes qui détectent le COVID-19 avec une précision allant jusqu'à 99 %. Bien que ces outils soient puissants, ils doivent compléter, et non remplacer, l'expertise professionnelle. S'appuyer uniquement sur l'IA pourrait compromettre les résultats pour les patients.

Identifier les traitements optimaux

Les patients atteints de cancer subissent souvent un stress important et des effets secondaires dus à des traitements dont l'efficacité n'est peut-être pas optimale pour leur état spécifique. Si les effets secondaires tels que les nausées sont tolérés, la volonté des patients de poursuivre le traitement diminue si les premiers résultats ne sont pas prometteurs.

L'identification plus rapide des meilleurs traitements personnalisés profite à tous. La planification standard des soins implique l'analyse de tomographies et d'IRM, où chaque pixel contient un seul point de données affiché en niveaux de gris. L'IA offre une vision plus détaillée. Un outil avancé peut analyser jusqu'à 30 000 caractéristiques par pixel et évaluer des échantillons de tissus aussi petits que 400 micromètres carrés, soit à peu près la largeur de cinq cheveux humains.

En utilisant des échantillons donnés, l'outil a démontré sa valeur. Dans le cas du cancer de la vessie, il a identifié un groupe de cellules spécialisées responsables de la formation des structures lymphoïdes tertiaires, qui sont associées à une meilleure réponse à l'immunothérapie. Dans les échantillons de cancer gastrique, il a permis de distinguer avec précision les cellules cancéreuses des tissus sains de la muqueuse, aidant ainsi les cliniciens à mieux évaluer la propagation du cancer.

Les chercheurs pensent que cette technologie peut guider les oncologues vers les traitements les plus efficaces pour différents cancers. Elle pourrait également accélérer la recherche en extrayant des données plus riches des images diagnostiques standard.

Accélérer le développement des médicaments

La mise sur le marché de nouveaux médicaments contre le cancer est un processus qui prend des années et qui dépend fortement de la réussite des essais cliniques. Une équipe londonienne a récemment créé une méthode d'IA pour évaluer l'efficacité avec laquelle les médicaments atteignent leurs cibles cellulaires. En se concentrant sur les candidats les plus prometteurs, il serait possible d'améliorer les résultats et d'accélérer l'approbation réglementaire.

L'équipe a utilisé l'apprentissage profond géométrique pour analyser les formes 3D de près de 100 000 images de cellules de mélanome. Contrairement aux analyses précédentes de cellules en 2D sur des diapositives, cette méthode étudie les cellules dans un état plus réaliste. Elle saisit la façon dont les traitements modifient les formes des cellules et révèle la variabilité entre les populations cellulaires.

L'outil a atteint une précision de plus de 99 % dans la détection des effets de médicaments spécifiques. Il a même pu identifier les changements de forme causés par des médicaments ciblant différentes protéines.

En révélant les changements biochimiques, l'IA peut mettre en évidence des cibles prometteuses pour de nouveaux médicaments anticancéreux. Cette innovation pourrait réduire la phase d'essais précliniques de trois ans à trois mois et potentiellement raccourcir les essais cliniques jusqu'à six ans. Elle permettrait d'identifier les patients les plus susceptibles d'en bénéficier et de comprendre plus rapidement les effets secondaires.

Simplifier les processus d'analyse du cancer

Bien que l'IA ait amélioré de nombreux aspects de la recherche sur le cancer, la plupart des outils se concentrent sur des tâches uniques. Cela oblige les professionnels de la santé à apprendre plusieurs systèmes. Pour améliorer la convivialité, certaines équipes développent des solutions complètes et polyvalentes.

Un groupe a construit un modèle de type ChatGPT suffisamment polyvalent pour gérer les tâches d'évaluation de 19 types de cancer. Il accélère les processus de détection, d'évaluation du pronostic et de suivi de la réponse au traitement. Les développeurs affirment qu'il s'agit du premier modèle à prédire et à valider avec succès les résultats dans divers groupes de patients internationaux.

L'IA analyse des diapositives numériques d'échantillons de tumeurs, examine les profils moléculaires et identifie les cellules cancéreuses. Elle évalue également les tissus entourant les tumeurs, ce qui peut indiquer l'efficacité du traitement. Lors des tests, elle s'est révélée plus précise que les outils existants. Il a notamment été le premier à établir un lien entre des caractéristiques tumorales spécifiques et l'amélioration du taux de survie des patients, ce qui pourrait ouvrir de nouvelles voies de recherche.

Le modèle a d'abord été entraîné sur 15 millions d'images non étiquetées, segmentées par zones d'intérêt. Il a ensuite été affiné à l'aide de 60 000 images de diapositives entières des 19 types de cancer, ce qui lui a permis d'apprendre à effectuer une analyse complète des images.

L'outil a été rigoureusement testé sur 19 400 images de lames entières provenant de 32 ensembles de données mondiaux indépendants, représentant 24 cohortes de patients et hôpitaux. Cela garantit sa robustesse dans le monde clinique réel.

Maximiser les connaissances de l'imagerie biomédicale

La microscopie biomédicale est essentielle pour la recherche sur le cancer, mais l'analyse de ces images peut prendre des jours. Une équipe a mis au point une nouvelle technique de vision par ordinateur pour rationaliser ce processus. Elle utilise l'apprentissage automatique pour analyser les échantillons et découvrir les caractéristiques communes aux tumeurs cancéreuses.

Cet outil est efficace parce qu'il examine simultanément plusieurs régions d'une tumeur et les synthétise en une analyse cohérente. D'autres méthodes divisent les grandes images de tumeurs en petites parcelles et les analysent séparément. Étant donné que ces images peuvent contenir jusqu'à un milliard de pixels, l'approche standard prend énormément de temps.

Les développeurs envisagent un avenir où les cliniciens pourront obtenir des diagnostics quasi instantanés à partir d'images de tumeurs. Ces informations pourraient alors être transmises en temps réel aux chirurgiens pendant les opérations, ce qui permettrait de prendre des décisions fondées sur les données les plus récentes.

Comparé aux principales techniques de référence, ce nouvel outil a obtenu des résultats supérieurs de près de 4 %, atteignant une précision de près de 88 % dans certains tests. Les chercheurs ont souligné sa large applicabilité, puisqu'il peut être utilisé avec n'importe quel type de tumeur et n'importe quelle méthode de microscopie.

Faire avancer la recherche sur le cancer grâce à la vision par ordinateur

La vision par ordinateur alimentée par l'IA a un potentiel considérable pour accroître l'impact de la recherche sur le cancer, en améliorant à la fois les découvertes scientifiques et les résultats pour les patients. Les exemples ci-dessus illustrent la diversité de ses applications. Les professionnels devraient intégrer ces technologies pour compléter et étendre leur expertise durement acquise, et non pour remplacer infailliblement le jugement humain.