Dans une étude récente publiée dans Communications naturellesUne équipe de chercheurs a utilisé l'intelligence artificielle (IA) pour classer les images histopathologiques et différencier les sous-types de cancer de l'endomètre. L'outil a permis d'identifier un sous-type de cancer de l'endomètre appelé NSMP (No Specific Molecular Profile), caractérisé par une maladie agressive et de faibles taux de survie.
Sommaire
Arrière-plan
Le cancer de l’endomètre peut être classé en quatre sous-types, chacun ayant des implications thérapeutiques et des pronostics très différents.
La classification de ces sous-types s'est jusqu'à présent basée sur des paramètres clinicopathologiques inadéquats avec une reproductibilité sous-optimale, ce qui a eu un impact direct sur la prise en charge du cancer.
L'attribution incohérente d'histotypes et de grades pour les tumeurs a entraîné une évaluation inexacte des risques, conduisant soit à un traitement excessif, soit à un traitement inadéquat entraînant une récidive, voire la mort.
Le projet Cancer Genome Atlas a montré que le séquençage de l’exome et du génome entier et les tests d’instabilité des microsatellites peuvent être utilisés pour stratifier les cancers de l’endomètre en quatre sous-types pronostiques basés sur les mutations génétiques prédominantes.
De plus, le développement d’outils d’IA avec des modèles d’apprentissage profond est de plus en plus utilisé dans le domaine médical pour traiter de grandes quantités de données d’images ou de textes. Ces données sont ensuite utilisées pour identifier des biomarqueurs potentiels et améliorer les diagnostics pathologiques des cancers.
À propos de l'étude
Dans la présente étude, les chercheurs ont construit un outil de classification d'images basé sur l'IA utilisant des fonctionnalités d'apprentissage profond qui ont analysé les images histopathologiques de lames colorées à l'hématoxyline et à l'éosine pour distinguer les deux sous-types de cancer de l'endomètre NSMP et p53 anormal ou p53abn.
Dans une étude précédente, les chercheurs avaient développé un système de classification moléculaire du cancer de l’endomètre facilement applicable en situation clinique. Ce système divisait le cancer de l’endomètre en quatre sous-types.
Le premier était le PÔLE sous-type mutant, dans lequel le gène impliqué dans la relecture et la réparation de l'acide désoxyribonucléique (ADN) — l'ADN polymérase epsilon ou POLE — contenait des mutations pathogènes.
Le deuxième sous-type était le sous-type déficient en réparation des mésappariements ou MMRd, dans lequel des tests de diagnostic basés sur l'immunohistochimie ont révélé une absence de protéines clés impliquées dans la réparation des mésappariements.
Le troisième sous-type a également été diagnostiqué à l’aide d’analyses immunohistochimiques et caractérisé par des anomalies de la protéine suppresseur de tumeur p53.
Le dernier sous-type, NSMP, a été diagnostiqué en éliminant tous les caractères diagnostiques des trois autres sous-types en raison de l'absence de caractéristiques déterminantes.
Ici, les chercheurs ont utilisé une classification d’images basée sur l’IA pour analyser les caractéristiques histopathologiques et distinguer les sous-types NSMP et p53abn.
Ils ont émis l’hypothèse qu’un sous-ensemble de patients du sous-type NSMP présentait des tumeurs histologiquement similaires aux tumeurs observées chez les patients du sous-type p53abn, et que l’application de modèles d’apprentissage en profondeur pour évaluer les lames colorées à l’hématoxyline et à l’éosine aiderait à identifier ce sous-ensemble. .
Pour cette étude, les chercheurs ont utilisé des coupes de tissus colorées à l'hématoxyline et à l'éosine provenant d'hystérectomies réalisées sur des patientes atteintes d'un cancer de l'endomètre présentant les sous-types p53abn ou NSMP.
L'étude a utilisé une cohorte de découverte composée de 368 patients et les résultats ont été validés à l'aide de deux cohortes indépendantes de 614 et 290 patients.
Les chercheurs ont également effectué un séquençage superficiel du génome entier d’échantillons représentatifs des deux sous-types et d’échantillons NSMP de type p53abn de la cohorte de validation. Ces données ont été utilisées pour l'analyse des profils de nombre de copies et des profils d'expression génique.
Résultats
L’étude a révélé que l’analyse des images histopathologiques basée sur l’IA a permis d’identifier avec succès un sous-ensemble de patients au sein du sous-type NSMP qui présentaient des taux de survie significativement inférieurs et une forme de cancer plus agressive.
Ce sous-ensemble constitué de tumeurs agressives représentait près de 20 % des tumeurs NSMP, soit 10 % de tous les cancers de l'endomètre.
Les résultats suggèrent que les caractéristiques clinicopathologiques, les tests d'immunohistochimie, les marqueurs moléculaires de séquençage de nouvelle génération et les profils d'expression génique pourraient encore être incapables de distinguer les sous-types de p53abn de ces cas NSMP de type p53abn.
Le modèle d'apprentissage profond a également identifié des tumeurs possédant une protéine tumorale TP53 mutations même si l'immunocoloration de p53 était normale, ce qui aurait autrement été un faux négatif basé sur la classification immunohistochimique.
L'outil basé sur l'IA pourrait identifier les sous-ensembles de NSMP présentant un cancer de type p53abn plus agressif, même lorsque les caractéristiques pathologiques et moléculaires ne pouvaient pas prédire les résultats de survie inférieurs.
L'analyse superficielle du séquençage du génome entier a montré que ce sous-ensemble de cas NSMP présentait une proportion plus élevée de génomes altérés et instables similaires au sous-type p53abn mais avec un niveau d'instabilité inférieur.
Les résultats ont également fourni la preuve de différences histopathologiques dans ce sous-ensemble malgré l’absence de distinctions pathologiques ou immunohistochimiques avec le sous-type NSMP.
Conclusions
Dans l’ensemble, les résultats ont indiqué que le classificateur d’images basé sur l’IA était capable de distinguer les sous-ensembles de patientes atteintes d’un cancer de l’endomètre et de détecter un sous-ensemble avec des résultats de survie significativement inférieurs.
Les chercheurs pensent que cet outil basé sur l’IA peut facilement être intégré au processus de diagnostic clinique pour numériser régulièrement des images histopathologiques.
De plus, avec des améliorations supplémentaires, cet outil basé sur l’IA pourrait potentiellement remplacer la méthode plus longue et plus coûteuse du diagnostic basé sur les marqueurs moléculaires.
