Des chercheurs de l’Université de Waterloo ont créé un modèle informatique pour prédire plus précisément la croissance des tumeurs cérébrales mortelles.
Le glioblastome multiforme (GBM) est un cancer du cerveau avec un taux de survie moyen de seulement un an. Il est difficile à traiter en raison de son noyau extrêmement dense, de sa croissance rapide et de son emplacement dans le cerveau. L’estimation de la diffusivité et du taux de prolifération de ces tumeurs est utile pour les cliniciens, mais cette information est difficile à prédire rapidement et avec précision pour un patient individuel.
Des chercheurs de l’Université de Waterloo et de l’Université de Toronto se sont associés à l’hôpital St. Michael’s de Toronto pour analyser les données d’IRM de plusieurs personnes souffrant de GBM. Ils utilisent l’apprentissage automatique pour analyser complètement la tumeur d’un patient, afin de mieux prédire la progression du cancer.
Les chercheurs ont analysé deux séries d’IRM de chacun des cinq patients anonymes souffrant de GBM. Les patients ont subi des IRM approfondies, ont attendu plusieurs mois, puis ont reçu une deuxième série d’IRM. Parce que ces patients, pour des raisons non divulguées, ont choisi de ne recevoir aucun traitement ou intervention pendant cette période, leurs IRM ont fourni aux scientifiques une occasion unique de comprendre comment le GBM se développe lorsqu’il n’est pas contrôlé.
Les chercheurs ont utilisé un modèle d’apprentissage en profondeur pour transformer les données IRM en estimations de paramètres spécifiques au patient qui informent un modèle prédictif de la croissance du GBM. Cette technique a été appliquée à des tumeurs de patients et synthétiques, dont les véritables caractéristiques étaient connues, ce qui leur a permis de valider le modèle.
Nous aurions aimé faire cette analyse sur un énorme ensemble de données. Cependant, compte tenu de la nature de la maladie, c’est très difficile car l’espérance de vie n’est pas longue et les gens ont tendance à commencer un traitement. C’est pourquoi l’opportunité de comparer cinq tumeurs non traitées était si rare – et précieuse. »
Cameron Meaney, candidat au doctorat en mathématiques appliquées et chercheur principal de l’étude
Maintenant que les scientifiques disposent d’un bon modèle de croissance du GBM sans traitement, leur prochaine étape consiste à étendre le modèle pour inclure l’effet du traitement sur les tumeurs. Ensuite, l’ensemble de données passerait d’une poignée d’IRM à des milliers.
Meaney souligne que l’accès aux données IRM – et le partenariat entre mathématiciens et cliniciens – peuvent avoir d’énormes impacts sur les patients à l’avenir.
« L’intégration de l’analyse quantitative dans les soins de santé est l’avenir », a déclaré Meaney.
