Le cancer de la peau est le cancer le plus répandu aux États-Unis et parmi les plus répandus dans le monde. Près de 1,5 million de nouveaux cas ont été diagnostiqués dans le monde en 2024, dont près de 340 000 mélanomes. Les cancers de la peau autres que le mélanome – principalement le carcinome basocellulaire (CBC) et le carcinome épidermoïde (CSC) – sont encore plus fréquents, avec 5,4 millions de cas diagnostiqués chaque année aux États-Unis.
La détection précoce est essentielle. Cependant, distinguer les lésions cancéreuses des excroissances bénignes et précancéreuses peut être difficile car beaucoup peuvent se ressembler. Une biopsie suivie d’un examen microscopique des tissus reste la référence en matière de diagnostic, mais les biopsies sont invasives, coûteuses et peuvent parfois être réalisées sur des lésions qui s’avèrent finalement bénignes.
Il existe un besoin en outils de diagnostic rapides et non invasifs, capables d’identifier avec précision le cancer de la peau tout en réduisant potentiellement les biopsies inutiles.
Les chercheurs de la Florida Atlantic University explorent une nouvelle façon de détecter le cancer de la peau en combinant la spectroscopie Raman – une technique qui fournit une « empreinte » moléculaire des tissus – avec l’apprentissage automatique. Contrairement à la biopsie conventionnelle, la spectroscopie Raman analyse la façon dont la lumière se disperse lorsqu’elle interagit avec les molécules des tissus, fournissant ainsi des informations sur sa composition chimique sans retirer ni préparer spécialement le tissu.
La promesse de cette technologie est qu’elle pourrait offrir aux cliniciens une autre façon de regarder sous la surface d’une lésion cutanée sans avoir à retirer immédiatement des tissus. En combinant les informations moléculaires fournies par la spectroscopie Raman avec l’apprentissage automatique, nous commençons à voir comment des différences subtiles dans la chimie des tissus peuvent être utilisées pour distinguer le cancer de la peau normale.
Andrew Terentis, PhD, auteur principal de l’étude, professeur et président du Département de chimie et de biochimie, Charles E. Schmidt College of Science, Florida Atlantic University
Pour tester cette approche, les chercheurs ont utilisé un système de spectroscopie Raman mobile équipé d’un laser à diode de 785 nanomètres et d’une sonde portative. Ils ont analysé plus de 50 échantillons cliniques ex vivo, notamment du BCC, du SCC et de la peau normale. Ils ont généré près de 1 000 spectres Raman et évalué diverses méthodes d’apprentissage automatique pour déterminer avec quelle précision les données spectrales pouvaient distinguer les trois types de tissus.
Les résultats de l’étude, publiés dans les Actes de SPIE dans le cadre de Advanced Chemical Microscopy for Life Science and Translational Medicine 2026, ont montré que plusieurs approches d’apprentissage automatique pourraient identifier des modèles dans les spectres Raman qui distinguent la peau normale des tissus cancéreux. Les classificateurs K-voisins les plus proches et les classificateurs de machines à vecteurs de support ont atteint la précision globale des tests la plus élevée, à environ 84 %. La machine à vecteurs de support a atteint une sensibilité de 78,7 % et une spécificité de 88,6 %, tandis qu’un réseau neuronal peu profond a atteint une précision de 80,8 % et la zone caractéristique de fonctionnement du récepteur la plus élevée sous la courbe, ou ROC AUC, à 0,910.
Les chercheurs ont d’abord examiné les spectres Raman pour identifier les modèles moléculaires associés aux différents types de tissus. L’analyse a montré que les tissus normaux pouvaient être relativement bien distingués des deux types de cancer de la peau, tandis que le BCC et le SCC présentaient un plus grand chevauchement dans leurs signatures moléculaires. Les spectres Raman des échantillons cancéreux avaient tendance à montrer des signaux liés aux protéines plus forts, tandis que les tissus normaux présentaient des signaux liés aux lipides plus forts, fournissant des indices sur les caractéristiques moléculaires qui pourraient aider à différencier les types de tissus.
« Nos résultats sont préliminaires, mais ils laissent présager un avenir dans lequel une mesure rapide et non invasive pourrait aider à orienter les décisions cliniques et potentiellement réduire les biopsies inutiles. » dit Terentis.
Les chercheurs se tournent désormais vers des études plus vastes, une optimisation plus poussée des modèles d’apprentissage automatique et des approches plus avancées, notamment des réseaux neuronaux profonds, qui pourraient améliorer les performances de diagnostic.
« La spectroscopie Raman nous fournit une richesse d’informations moléculaires, mais le défi consiste à apprendre à un ordinateur à reconnaître quels modèles comptent le plus », dit Terentis. « Avec davantage d’échantillons et des modèles mieux entraînés, nous pensons qu’il existe un potentiel significatif pour améliorer la précision de cette approche. En fin de compte, nous souhaitons développer une technologie qui soit non seulement précise, mais aussi suffisamment pratique, portable et accessible pour devenir un outil utile en milieu clinique. »
L’étude démontre comment les progrès de la spectroscopie optique et de l’apprentissage automatique pourraient ouvrir la voie à une évaluation plus rapide et non invasive du cancer de la peau, complétant potentiellement la biopsie conventionnelle et aidant les cliniciens à prendre des décisions plus éclairées quant aux lésions nécessitant une évaluation plus approfondie.
Les co-auteurs de l’étude sont Venkata Dhulipalla, une ancienne étudiante diplômée de la FAU ; John Strasswimmer, MD, Ph.D., professeur affilié de dermatologie et de biochimie de recherche au Charles E. Schmidt College of Medicine de la FAU ; et les étudiants de premier cycle de la FAU, Phuong Nguyen, Lizzie Klein et Max McCain.
