Tafadzwa Chaunzwa, MD, chercheur au programme d'intelligence artificielle en médecine (AIM) du Mass General Brigham et médecin résident principal au programme de radio-oncologie de Harvard, est l'auteur principal d'un article publié dans JAMA Oncology. Chaunzwa et l'auteur principal Hugo Aerts, PhD, directeur du programme AIM et professeur agrégé à l'Université Harvard, ont partagé les points saillants de leur article.
Comment résumeriez-vous votre étude pour un public profane ?
À mesure que des traitements comme l’immunothérapie améliorent les taux de survie au cancer, il existe un besoin croissant d’outils d’aide à la décision clinique permettant de prédire la réponse au traitement et les résultats pour les patients. Ceci est particulièrement important pour le cancer du poumon, qui reste la première cause de décès par cancer dans le monde. Des études antérieures ont établi un lien entre l'indice de masse corporelle (IMC) et les conséquences du cancer du poumon et les effets secondaires des médicaments d'immunothérapie. Cependant, l’IMC est une mesure limitée qui ne capture pas de détails sur les différents tissus corporels et leur interaction avec les thérapies anticancéreuses. Nous avons utilisé l’imagerie médicale et l’intelligence artificielle (IA) pour analyser la composition corporelle d’une vaste cohorte de patients atteints d’un cancer du poumon qui s’est propagé à d’autres parties du corps. Notre étude a révélé que les changements dans la masse musculaire et la qualité de la graisse pendant le traitement sont des indicateurs importants des résultats pour cette population.
Quelles lacunes en matière de connaissances votre étude contribue-t-elle à combler ?
Alors que nous continuons à améliorer le traitement du cancer du poumon avancé avec différents agents systémiques, y compris les médicaments d’immunothérapie, des biomarqueurs à la fois pronostiques et prédictifs de la réponse au traitement sont de plus en plus nécessaires pour éclairer les décisions cliniques. Des études antérieures ont identifié une association entre l'IMC et les résultats du cancer du poumon. Une association entre l'IMC et l'incidence des effets secondaires de l'immunothérapie a également été élucidée. Cependant, l’IMC à lui seul est une mesure rudimentaire qui ne rend pas compte de la répartition et des contributions relatives des différents tissus corporels. Les analyses de la composition corporelle basées sur l’imagerie médicale sont de plus en plus explorées ; cependant, dans le contexte du cancer du poumon non à petites cellules (CPNPC) avancé, les études ont été limitées par la petite taille des échantillons et les méthodologies manuelles et difficiles à reproduire.
Comment avez-vous mené votre étude ?
Nous avons entrepris d'effectuer une analyse complète de la composition corporelle de grandes cohortes d'individus traités pour un cancer du poumon avancé ou métastatique avec différents médicaments systémiques. Nous avons développé une plate-forme robuste de bout en bout basée sur l'IA pour vous aider dans cette tâche.
Qu'as-tu trouvé?
Nous avons constaté que même si la répartition des différents compartiments tissulaires au début du traitement contre le cancer avait une certaine valeur, la modification de ces mesures au cours du traitement était plus fortement associée aux résultats pour les patients. Plus précisément, nous avons constaté que la perte de masse musculaire était un facteur de mauvais pronostic chez les patients traités par chimiothérapie, immunothérapie ou chimio-immunothérapie. Il est intéressant de noter que chez les patients recevant une immunothérapie, seule ou en association avec une chimiothérapie, les modifications de la qualité de la graisse sous la peau (tissu adipeux sous-cutané), observées sur les tomodensitogrammes, étaient également associées au risque de progression du cancer du poumon ou de mortalité.
Quelles sont les implications ?
Cette étude présente des avancées clés qui contribueront à faire progresser le pronostic et la surveillance des patients recevant une immunothérapie pour le CPNPC. La première avancée est la mise en œuvre d’un pipeline automatisé basé sur l’IA pour une analyse complète de la composition corporelle à grande échelle chez une population diversifiée de patients recevant une immunothérapie et une chimiothérapie cytotoxique pour un CPNPC avancé. Il s'agit de l'étude de ce type la plus vaste et la plus complète, intégrant à la fois des données réelles et des cohortes d'essais cliniques prospectifs, avec une collecte longitudinale de données multimodales et un suivi étendu pour surveiller la réponse de la maladie au traitement. Nos résultats démontrent le potentiel de ce cadre d'analyse pour fournir une compréhension plus nuancée de la relation entre la composition corporelle et la réponse à l'immunothérapie dans le CPNPC par rapport aux mesures brutes de l'IMC. Cela peut avoir des implications cliniques importantes pour la sélection, le traitement et le suivi des patients. La deuxième contribution consiste à partager ce solide pipeline d’apprentissage profond de bout en bout pour la sélection automatisée des tranches et la segmentation des compartiments corporels en imagerie transversale.
Quelles sont les prochaines étapes?
Nous proposons le logiciel en tant qu'outil d'IA open source qui s'intègre parfaitement aux plates-formes d'analyse d'images et le diffusons également sur la plate-forme modelhub.ai. En rendant cet algorithme accessible au public, nous espérons accélérer les études futures dans ce domaine et faciliter davantage le développement de nouvelles approches pour analyser des ensembles de données complexes d’imagerie du cancer. Cela permettra une enquête plus approfondie sur les associations importantes établies à l'aide de mesures manuelles de la composition corporelle basées sur l'IMC ou la tomodensitométrie. Plus largement, les avancées dans ce domaine de recherche contribueront à orienter la prise en charge de différents cancers et à améliorer notre capacité en oncologie de précision.
