Les chirurgiens cérébraux sont souvent confrontés à des décisions critiques tout au long du processus d'ablation de la tumeur.
Aujourd'hui, des scientifiques néerlandais ont mis au point un outil d'IA destiné à faciliter le processus décisionnel intra-chirurgical, en fournissant aux chirurgiens des informations ultra-rapides sur les types et sous-types de tumeurs.
Selon une récente étude de l publiée dans NatureL'IA examine des segments spécifiques de l'ADN d'une tumeur et identifie des structures chimiques distinctes.
Cette analyse permet de connaître le type de tumeur et éventuellement son sous-type. Ces informations opportunes peuvent guider les chirurgiens dans leur approche de l'opération chirurgicale.
"Il est impératif que le sous-type de la tumeur soit connu au moment de l'opération", a déclaré Jeroen de Ridder, professeur associé à l'UMC Utrecht. "Ce que nous avons maintenant permis de manière unique, c'est d'effectuer ce diagnostic très fin, robuste et détaillé dès l'opération.
Leur système d'apprentissage profond, baptisé Sturgeon, a été soumis à des tests rigoureux. Lors de certains tests initiaux, l'IA s'est abstenue de poser un diagnostic en raison de données ambiguës.
Dans l'ensemble, les chercheurs ont démontré l'efficacité du modèle en temps réel sur 25 opérations chirurgicales, en obtenant un délai de diagnostic rapide de moins de 90 minutes, bien plus rapide que les méthodes traditionnelles. 72% des diagnostics étaient corrects, mais sept n'ont pas atteint le seuil de confiance requis.
Alors que le processus de diagnostic standard implique un examen microscopique d'échantillons de tumeurs cérébrales, le séquençage génétique complet permet d'obtenir des informations plus approfondies. Cependant, comme l'a souligné le Dr Alan Cohen, de Johns Hopkins, "nous devons commencer le traitement sans savoir ce que nous traitons".
Le Dr de Ridder a expliqué plus en détail les capacités de l'IA : "Elle peut déterminer elle-même ce qu'elle regarde et établir une classification solide".
Cependant, certains défis persistent. La variabilité au sein de la tumeur, la taille de l'échantillon et certaines tumeurs insaisissables peuvent poser des difficultés. À ce sujet, Marc Pagès-Gallego, coauteur d'une étude, a expliqué comment ils ont résolu ces problèmes.
Le Dr Sebastian Brandner, de l'University College London, a commenté les aspects pratiques en affirmant que "la mise en œuvre elle-même est moins simple qu'on ne le laisse souvent entendre".
Si cet outil représente une avancée significative, il n'en a pas moins ses limites.
ALe Dr Cohen a admis que "nous avons fait des progrès, mais pas autant dans le traitement que dans la compréhension du profil moléculaire des tumeurs".
En savoir plus sur l'étude
L'outil innovant "Sturgeon" utilise l'apprentissage profond pour améliorer la classification peropératoire des tumeurs cérébrales, contribuant ainsi à une meilleure prise de décision chirurgicale.
Le modèle est conçu pour être "ultra-rapide" dans la classification des types et sous-types de tumeurs.
- Défis : La classification des tumeurs pendant la chirurgie est difficile en raison du temps de séquençage limité et de la couverture incertaine des données.
- La solution de Sturgeon : Ce système d'apprentissage profond utilise des données dérivées de réseaux de méthylation largement disponibles, qui sont utilisés pour établir le profil des tumeurs cérébrales. Sturgeon externalise les tâches informatiques intensives afin de minimiser les ressources informatiques pendant la chirurgie.
- Performance : Le modèle a donné des résultats cohérents mais ne tient souvent pas compte de la diversité intratumorale. Il a permis de poser le bon diagnostic dans 72% des tests chirurgicaux.
- Développement futur : Les données de Sturgeon seront enrichies au fur et à mesure de l'acquisition de nouvelles données, mais les restrictions en matière de partage des données liées à la protection de la vie privée compliquent l'apprentissage interinstitutionnel.
- Limites : L'une des limites potentielles est la quantité de tissu nécessaire. Le modèle requiert un échantillon d'environ 5 x 5 x 5 mm pour obtenir les meilleurs résultats, mais une quantité suffisante d'ADN a été extraite avec succès à partir d'échantillons plus petits.
Grâce à Sturgeon, les résultats du diagnostic des tumeurs peuvent être obtenus en 90 minutes, ce qui correspond aux délais de la chirurgie. Les chirurgiens disposent ainsi d'informations en temps réel, ce qui leur permet de prendre de meilleures décisions pendant l'opération.
Bien que les données de Sturgeon soient utiles, elles devraient idéalement être utilisées parallèlement à l'évaluation d'un pathologiste qualifié, selon l'étude.
Sturgeon vient s'ajouter aux nombreux modèles d'IA de pointe à vocation médicale créés cette année, illustrant la capacité de la technologie à transformer les résultats des soins de santé.
