Des chercheurs de Stanford Medicine ont mis au point un modèle d'IA destiné à améliorer le diagnostic et le traitement du glioblastome, une forme particulièrement agressive de cancer du cerveau.
Le glioblastome présente des défis uniques pour les professionnels de la santé en raison de sa composition cellulaire très variable d'un patient à l'autre.
Olivier Gevaert, professeur agrégé d'informatique biomédicale et de science des données, a souligné la complexité du traitement du glioblastome, déclarant : "En raison de l'hétérogénéité de cette maladie, les scientifiques n'ont pas trouvé de bons moyens de s'y attaquer."
Les Modèle d'IA vise à atténuer ce problème en analysant des images colorées de tissus de glioblastome afin d'en évaluer les caractéristiques, notamment l'agressivité et la composition génétique de la tumeur.
Yuanning Zheng, du laboratoire de Gevaert, décrite le système d'IA comme "une sorte de système d'aide à la décision pour les médecins".
Le modèle pourrait aider les cliniciens à identifier les patients présentant des caractéristiques cellulaires indiquant des tumeurs plus agressives, en les signalant pour un suivi rapide. Il cLe projet permet de dresser une carte plus détaillée de la tumeur, révélant les interactions entre les cellules et leur corrélation avec l'évolution de l'état de santé du patient.
Gevaert précise : "Le modèle a montré quelles cellules aiment être ensemble, quelles cellules ne veulent pas communiquer et comment cela est corrélé avec les résultats pour le patient".
Par exemple, le modèle a révélé que le regroupement de cellules spécifiques, connues sous le nom d'astrocytes, indiquait une forme plus agressive du cancer. Ces informations pourraient aider à concevoir des traitements plus efficaces pour le glioblastome.
Zheng espère que le modèle pourra également servir d'outil d'évaluation post-opératoire. Le modèle a montré que les cellules tumorales présentant des signes de privation d'oxygène sont souvent en corrélation avec de plus mauvais résultats en matière de cancer.
"En éclairant les cellules privées d'oxygène dans les échantillons chirurgicaux colorés par histologie, le modèle peut aider les chirurgiens à comprendre combien de cellules cancéreuses peuvent rester dans le cerveau et à quel moment reprendre le traitement après l'opération", a déclaré M. Zheng.
Bien qu'il soit encore en phase de recherche, le modèle pourrait être appliqué à d'autres cancers, tels que le cancer du sein ou du poumon.
Zheng conclut : "Je pense que ces intégrations de données multimodales peuvent façonner l'amélioration de la médecine personnalisée à l'avenir."
Actuellement, une version de démonstration de leur modèle, appelée GBM360, est mise à la disposition des chercheurs pour qu'ils testent et téléchargent des images diagnostiques afin de prédire les résultats pour les patients atteints de glioblastome.
Toutefois, M. Zheng s'est empressé d'ajouter que le modèle en est encore au stade de la recherche et qu'il n'est pas utilisé dans des contextes cliniques réels.
En savoir plus sur l'étude
L'étude utilise l'IA pour interpréter les sous-types de glioblastome à partir des données existantes sur les patients, aidant ainsi les cliniciens à déterminer le pronostic et l'évolution de la maladie pour différents patients.
Voici comment cela fonctionne :
- Intégration des données: Les chercheurs ont commencé par intégrer de multiples formes de données, y compris le séquençage de l'ARN d'une seule cellule et la transcriptomique spatiale, aux côtés des résultats cliniques des patients atteints de glioblastome. Ils ont ainsi obtenu un ensemble de données solide pour développer des modèles d'apprentissage automatique.
- Développement de modèles: L'équipe a développé GBM-CNN, un modèle d'apprentissage profond spécialisé conçu pour interpréter les images histologiques. Ce modèle a été entraîné à prédire les différents sous-types transcriptionnels des cellules de glioblastome, en utilisant les données intégrées pour la validation.
- Analyse à grande échelle: Après entraînement, le GBM-CNN a été utilisé pour analyser plus de 40 millions de taches tissulaires provenant de 410 patients, créant ainsi des cartes cellulaires à haute résolution. L'analyse a révélé la présence de trois à cinq sous-types malins dans chaque tumeur.
- Corrélation avec les données cliniques: Les cartes cellulaires ont ensuite été intégrées aux données cliniques des patients. Il s'est avéré que certaines compositions cellulaires sont liées à de moins bons résultats pour les patients.
- Validation et essais: Pour corroborer ces résultats, un modèle secondaire a été développé pour prédire le pronostic des patients sur la base d'autres images diagnostiques. Ce modèle a confirmé les résultats initiaux, montrant des associations entre l'architecture cellulaire et les taux de survie des patients.
L'IA accélère considérablement les approches fondées sur les données dans le domaine des soins de santé, en soutenant IRM, diagnostic des maladies oculaireset sophistiqués interfaces cerveau-ordinateurpour ne citer que quelques-unes de ses innombrables applications.
