Les chercheurs ont développé avec succès un modèle d’apprentissage profond qui classe l’adénocarcinome canalaire pancréatique (PDAC), la forme la plus courante de cancer du pancréas, en sous-types moléculaires à l’aide d’images histopathologiques. Cette approche permet d'obtenir une grande précision et offre une alternative rapide et rentable aux méthodes actuelles qui reposent sur des analyses moléculaires coûteuses. La nouvelle étude en Le Journal américain de pathologiepublié par Elsevier, est prometteur pour faire progresser les stratégies de traitement personnalisées et améliorer les résultats pour les patients.
Les PDAC ont récemment dépassé le cancer du sein en tant que troisième cause de mortalité par cancer au Canada et aux États-Unis. La chirurgie peut guérir environ un cinquième des cas de PDAC s’ils sont détectés tôt. Bien qu'une intervention chirurgicale soit proposée à ces patients, le taux de survie à cinq ans reste à 20 %. Environ 80 % des patients ont déjà développé une maladie métastatique au moment du diagnostic, et la plupart de ces patients succombent à la maladie au bout d’un an.
L'agressivité du PDAC pose un défi formidable lors de l'utilisation des technologies de séquençage pour déterminer un plan de soins aux patients. La détérioration clinique rapide de la maladie exige une action rapide pour identifier les individus éligibles aux thérapies ciblées et à leur inclusion dans les essais cliniques. Cependant, les délais d'exécution actuels pour le profilage moléculaire, qui varient de 19 à 52 jours à compter de la biopsie, ne suffisent pas à répondre à ces demandes urgentes.
Le co-chercheur principal David Schaeffer, MD, Département de pathologie et de médecine de laboratoire, Université de la Colombie-Britannique, Hôpital général de Vancouver et Pancreas Centre BC, explique : « De plus en plus de sous-types potentiellement exploitables pour personnaliser le traitement des patients atteints d'un cancer du pancréas sont découverts. Cependant, le sous-typage reste entièrement basé sur une méthodologie génomique basée sur l'ADN et l'ARN extraits des tissus. »
Cette méthodologie est exceptionnelle si suffisamment de tissu est présent, ce qui n’est pas toujours le cas pour les tumeurs PDAC compte tenu de la localisation anatomique difficile de cet organe. Notre étude fournit une méthode prometteuse pour classer de manière rentable et rapide les sous-types moléculaires de PDAC sur la base de lames de routine colorées à l'hématoxyline-éosine, conduisant potentiellement à une gestion clinique plus efficace de cette maladie.
David Schaeffer, MD, Département de pathologie et de médecine de laboratoire, Université de la Colombie-Britannique
L’étude impliquait la formation de modèles d’IA d’apprentissage profond sur des images pathologiques de lames entières pour identifier les sous-types moléculaires de PDAC – de type basal et classique – à l’aide de lames colorées à l’hématoxyline et à l’éosine (H&E). La coloration H&E est une technique rentable et largement disponible qui est régulièrement réalisée dans des délais rapides dans les laboratoires de pathologie à des fins de diagnostic et de pronostic. Les modèles ont été formés sur 97 lames du Cancer Genome Atlas (TCGA) et testés sur 110 lames provenant de 44 patients d’une cohorte locale. Le modèle le plus performant a atteint une précision de 96,19 % dans l’identification des sous-types classiques et basaux dans l’ensemble de données TCGA et de 83,03 % sur la cohorte locale, soulignant sa robustesse dans différents ensembles de données.
Le co-chercheur principal Ali Bashashati, PhD, École de génie biomédical et Département de pathologie et de médecine de laboratoire, Université de la Colombie-Britannique, note : « La sensibilité et la spécificité du modèle étaient respectivement de 85 % et 100 %, ce qui fait de cet outil d'IA un outil hautement applicable pour le tri des patients en vue de tests moléculaires. En outre, la principale réussite de cette étude est le fait que le modèle d'IA a pu détectez les sous-types à partir des images de biopsie, ce qui en fait un outil très utile qui peut être déployé au moment du diagnostic. »
Le Dr Bashashati conclut : « Cette approche basée sur l'IA offre une avancée passionnante dans le diagnostic du cancer du pancréas, nous permettant d'identifier les sous-types moléculaires clés de manière rapide et rentable.
