Une personne sur trois devrait avoir un cancer de leur vie, ce qui en fait un problème de santé majeur pour l'humanité. Un indicateur crucial du résultat du cancer est son statut de microsatellite tumoral – qu'il soit stable ou instable. Il fait référence à la stabilité de l'ADN dans les tumeurs par rapport au nombre de mutations dans les microsatellites. Le statut de microsatellite tumoral a une valeur clinique importante car les patients atteints de cancers de hauteur de hauteur de microsatellites (MSI-H) ont généralement des résultats plus prometteurs par rapport aux patients atteints de tumeurs stables microsatellites. En outre, les tumeurs déficients en protéines de réparation de mésappariement – ce sont des cellules avec des mutations dans des gènes spécifiques qui sont impliqués dans la correction des erreurs commises lorsque l'ADN est copié dans un puits de vide à l'assistance aux inhibiteurs de point de contrôle immunitaire (ICIS) et pas nécessairement à la chimiothérapie.
Par conséquent, les praticiens de la santé et les experts suggèrent des tests MSI pour les cancers gastriques et colorectaux nouvellement diagnostiqués. Ces dernières années, l'intelligence artificielle (IA) a fait des progrès importants dans ce domaine et son incorporation dans le flux de travail clinique devrait fournir des tests MSI rentables et très accessibles. Bien que plusieurs études aient utilisé des méthodes d'apprentissage en profondeur telles que les réseaux de neurones convolutionnels et les techniques basées sur les transformateurs de vision pour la prédiction du statut MSI, elles ne parviennent pas à saisir l'incertitude de la prédiction. De plus, la plupart d'entre eux ne fournissent pas un aperçu clé de la réactivité de l'ICI, restreignant leurs applications cliniques.
S'adressant à ces lacunes, dans une récent percée, une équipe de chercheurs des États-Unis et de la Corée, notamment Jae-Ho Cheong du Yonsei University College of Medicine et Jeonghyun Kang de l'Hôpital Gangnam Severance, du Yonsei University College of Medicine, MSI-Seer. Ce modèle bayésien innovant basé sur des processus gaussiens analyse les images à glissement entières colorées à l'hématoxyline et à l'éosine dans un apprentissage faiblement supervisé pour prédire l'état des microsatellites dans les cancers gastriques et colorectaux. Une contribution centrale et distinctive de cette étude réside dans l'intégration de la prédiction et de la quantification de l'incertitude dans le modèle d'IA. Plus précisément, le modèle est équipé de la capacité d'auto-évaluer sa confiance en estimant la variance prédictive via l'abandon de Monte Carlo. Cette variance est ensuite transformée en un score de confiance bayésien (BCS), qui quantifie la fiabilité de chaque prédiction. En conséquence, le modèle d'IA est capable de reconnaître les cas où ses prédictions portent une incertitude élevée « en sachant ce qu'elle ne sait pas ». Dans de tels cas, le système, appelé MSI-Seer, signale automatiquement ces diapositives de forte incertitude pour une revue secondaire par les pathologistes humains, plutôt que de prendre des décisions autonomes. Les nouveaux résultats ont été mis à disposition en ligne et publiés dans la revue NPJ Médecine numérique le 19 mai 2025.
« Cette étude fournit un plan vital sur la façon dont un modèle d'IA qui « sait ce qu'il ne sait pas '', qui augmente à son tour la fiabilité globale du système, peut créer un cadre clinique de collaboration IA-humain pour des environnements cliniques plus sûrs, plus fiables et plus utiles dans des environnements cliniques réels du monde réel», A déclaré le professeur Cheong.
Selon le professeur Cheong, « Nous avons effectué une validation approfondie en utilisant plusieurs grands ensembles de données comprenant des patients issus de divers arrière-plans raciaux et avons constaté que MSI-Seer avait obtenu des performances de pointe avec la prédiction MSI en intégrant la prédiction de l'incertitude. »
De plus, le modèle s'est avéré très précis pour la prédiction de réactivité de l'ICI en intégrant le statut tumoral MSI et le rapport stroma / tumoral. De plus, les prévisions au niveau des tuiles par MSI-Seer ont fourni des informations clés sur la contribution de la distribution spatiale des régions MSI-H dans le microenvironnement tumoral et la réponse ICI.
« Nous pensons que notre technologie a déjà un potentiel d'application du monde réel en tant que forme de surveillance de cohorte prospective, ou une sorte d'essais cliniques de phase IV. L'implication à plus long terme de cette étude est qu'il ne s'agit pas d'un modèle prédictif spécifique de l'IA spécifique. élargit le professeur Cheong sur les possibilités de leur innovation.
Dans l'ensemble, ce travail présente l'utilisation d'un modèle d'IA pour concevoir un algorithme cliniquement utilisable pour prédire la réactivité aux ICI pour les patients atteints de cancer.
