Conclusion: À l'aide de tomodensitométrie (TDM) standard de soins chez les patients atteints d'un cancer du poumon non à petites cellules avancé (CPNPC), les chercheurs ont utilisé l'intelligence artificielle (IA) pour former des algorithmes afin de prédire la sensibilité des tumeurs à trois thérapies systémiques contre le cancer.
Journal dans lequel l'étude a été publiée: Recherche clinique sur le cancer, une revue de l'American Association for Cancer Research
Auteur: Laurent Dercle, MD, PhD, chercheur associé au Département de radiologie du Columbia University Irving Medical Center
Contexte: « L'interprétation par les radiologues des tomodensitogrammes des patients atteints de cancer traités par des thérapies systémiques est intrinsèquement subjective », a déclaré Dercle. « Le but de cette étude était de former des technologies d'IA de pointe pour prédire les réponses des patients au traitement, permettant aux radiologues de fournir des prévisions plus précises et reproductibles de l'efficacité du traitement à un stade précoce de la maladie. »
Pour déterminer si les patients atteints de CBNPC répondent à une thérapie systémique, les radiologues quantifient actuellement les changements de taille de la tumeur et l'apparition de nouvelles lésions tumorales, a expliqué Dercle. Cependant, ce type d'évaluation peut être limité, en particulier chez les patients traités par immunothérapie, qui peuvent présenter des schémas de réponse et de progression atypiques, a-t-il noté. « Les nouvelles thérapies systémiques suscitent le besoin de mesures alternatives pour l'évaluation de la réponse, qui peuvent façonner la prise de décision thérapeutique », a déclaré Dercle.
Comment l'étude a été menée et ses résultats: Dercle et ses collègues ont utilisé les données de plusieurs essais cliniques de phase II / phase III qui ont évalué le traitement systémique chez les patients atteints de CBNPC. Ces patients ont été traités avec l'un des trois agents: l'agent immunothérapeutique nivolumab (Opdivo), l'agent chimiothérapeutique docetaxel (Taxotere) ou le géfitinib thérapeutique ciblé (Iressa). Les chercheurs ont analysé rétrospectivement des images CT standard de soins de 92 patients recevant nivolumab dans deux essais; 50 patients recevant du docétaxel dans un essai; et 46 patients recevant du géfitinib dans un essai.
Pour développer le modèle, les chercheurs ont utilisé les images CT prises au départ et lors de l'évaluation du premier traitement (trois semaines pour les patients traités par géfitinib; huit semaines pour les patients traités soit par nivolumab soit par docétaxel). Les tumeurs ont été classées comme sensibles au traitement ou insensibles au traitement en fonction de la norme de référence de chaque essai (survie médiane sans progression dans les cohortes de nivolumab et de docétaxel; analyse d'un échantillon chirurgical après un traitement au géfitinib). Parmi les trois cohortes, les patients ont été randomisés en groupes de formation ou de validation.
Les chercheurs ont utilisé l'apprentissage automatique pour développer un modèle multivariable pour prédire la sensibilité au traitement dans la cohorte d'entraînement. Chaque modèle pouvait prédire un score allant de zéro (sensibilité au traitement la plus élevée) à un (insensibilité au traitement la plus élevée) en fonction du changement de la plus grande lésion pulmonaire mesurable identifiée au départ.
Parce que la cohorte de géfitinib avait un nombre limité de patients, les chercheurs ont construit et validé un modèle utilisant une cohorte de patients atteints de cancer colorectal métastatique (302 personnes) traités avec des thérapies anti-EGFR. Les caractéristiques radiologiques pour prédire la sensibilité au traitement identifiées dans la cohorte de cancer colorectal ont ensuite été utilisées pour construire un modèle dans la cohorte de formation des patients atteints de CBNPC traités par le géfitinib.
Dans toutes les cohortes, un total de huit caractéristiques radiologiques ont été utilisées pour construire les trois modèles de prédiction. Ces caractéristiques comprenaient des changements dans le volume tumoral, l'hétérogénéité, la forme et la marge. Les modèles nivolumab et gefitinib utilisaient tous deux quatre caractéristiques radiologiques et le modèle docétaxel en utilisait une.
La performance de chaque signature a été évaluée en calculant l'aire sous la courbe (AUC), une mesure de la précision du modèle, où un score de 1 correspond à une prédiction parfaite. Les modèles de prédiction du nivolumab, du docétaxel et du géfitinib ont atteint une ASC de 0,77, 0,67 et 0,82 dans les cohortes de validation, respectivement.
Commentaires de l'auteur: « Nous avons observé que des caractéristiques radiomiques similaires prédisaient trois réponses médicamenteuses différentes chez les patients atteints de CBNPC », a déclaré Dercle. « En outre, nous avons constaté que les quatre mêmes caractéristiques qui ont identifié la sensibilité au traitement EGFR pour les patients atteints de cancer colorectal métastatique pourraient être utilisées pour prédire la sensibilité au traitement pour les patients atteints de CBNPC métastatique. »
Dercle a noté que les signatures radiomiques offrent le potentiel d'améliorer la prise de décision clinique. « Avec l'IA, l'imagerie du cancer peut passer d'un outil intrinsèquement subjectif à un atout quantitatif et objectif pour les approches de médecine de précision », a-t-il déclaré.
Limites de l'étude: Les limites de l'étude comprennent la petite taille de l'échantillon. « Parce que l'IA peut continuellement apprendre des données du monde réel, l'utilisation de l'IA sur des ensembles de données de patients plus importants nous aidera à identifier de nouveaux modèles pour construire des modèles de prédiction plus précis », a noté Dercle.
La source:
Association américaine pour la recherche sur le cancer
