Des algorithmes d'apprentissage en profondeur formés à l'aide de l'intelligence artificielle (IA) peuvent aider à déterminer comment les patients réagiront aux traitements systémiques du cancer du poumon non à petites cellules (CBNPC), selon de nouvelles recherches publiées dans la revue Recherche clinique sur le cancer.
Crédits image: Zapp2Photo / Shutterstock.com
Pour l'étude, le chercheur associé Laurent Dercle (Département de radiologie, Columbia University Irving Medical Center) et ses collègues ont appliqué l'IA aux tomodensitométries standard (SoC) de NSCLC avancé et formé des algorithmes d'apprentissage profond pour prédire comment les tumeurs sensibles seraient à trois types de traitements systémiques.
L'apprentissage profond est un type d'apprentissage automatique dans lequel des algorithmes appelés réseaux de neurones artificiels apprennent à partir de grands ensembles de données et résolvent des problèmes d'une manière qui imite le fonctionnement du cerveau humain et sans nécessiter de supervision humaine.
Sommaire
L'interprétation actuelle des tomodensitogrammes est subjective
Dercle dit qu'actuellement, la façon dont les radiologistes interprètent les tomodensitogrammes des patients atteints de cancer qui reçoivent une thérapie systémique est essentiellement subjective.
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 prédictions plus précises et reproductibles de l'efficacité du traitement à un stade précoce de la maladie. «
Laurent Dercle, Département de radiologie, Columbia University Irving Medical Center
Actuellement, pour vérifier comment les patients atteints de CBNPC répondent aux thérapies systémiques, les radiologues évaluent les différences de taille des tumeurs existantes et d'apparition de nouvelles tumeurs qui se sont formées.
Cependant, la détermination des réponses des patients de cette manière peut être limitée, dit Dercle, en particulier dans les cas où l'immunothérapie a été utilisée parce que les patients présentent des réponses atypiques et une progression de la maladie: « De nouvelles thérapies systémiques entraînent le besoin de paramètres alternatifs pour l'évaluation de la réponse, qui peuvent façonner prise de décision thérapeutique. «
Qu'est-ce que l'étude a impliqué?
Pour leur étude, Dercle et l'équipe ont utilisé les données disponibles des essais cliniques de phase II / phase III portant sur les patients NSCLC qui avaient reçu l'une des trois thérapies systémiques. Les trois thérapies étaient un agent d'immunothérapie appelé nivolumab; un agent de chimiothérapie appelé docétaxel et un agent ciblé appelé géfitinib.
Ils ont analysé des images SoC CT qui avaient été réalisées pour 92 participants dans deux essais de nivolumab, 50 participants dans un essai de docétaxel et 46 participants dans un essai de géfitinib.
Pour créer leur modèle prédictif, Dercle et ses collègues ont utilisé des analyses qui avaient été prises au départ et lors de l'évaluation initiale du traitement, trois semaines plus tard pour les patients qui avaient reçu du géfitinib et huit semaines plus tard pour les patients qui avaient reçu du nivolumab ou du docétaxel.
Les tumeurs ont été classées comme sensibles ou insensibles au traitement, selon les normes de référence des sentiers. Pour les essais au nivolumab et au docétaxel, la norme de référence était la survie sans progression médiane et pour l'essai au géfitinib c'était l'évaluation post-traitement des échantillons chirurgicaux.
Pour les trois populations étudiées, les participants ont été assignés au hasard à une formation ou à un groupe de validation.
En appliquant l'apprentissage automatique aux images CT, l'équipe a construit un modèle multivariable pour prédire la sensibilité des tumeurs chez les patients du groupe de formation. La sensibilité prédite a été notée de «zéro», qui représentait le plus de sensibilité… à «un», qui représentait le plus d'insensibilité. La sensibilité au traitement des tumeurs a été définie en fonction des différences observées dans la plus grande tumeur pulmonaire mesurée au départ.
Identification des fonctionnalités prédictives
Étant donné que la population étudiée dans l'essai sur le géfitinib était petite, Dercle et ses collègues ont développé et validé un modèle utilisant les caractéristiques radiologiques des tumeurs chez 302 patients atteints d'un cancer colorectal métastatique qui avaient reçu un traitement anti-EGFR. Les caractéristiques identifiées comme prédictives de la sensibilité au traitement chez les patients atteints de cancer colorectal ont ensuite été utilisées pour développer un modèle dans le groupe de formation des patients NSCLC qui avaient reçu du géfitinib.
Dans tous les groupes d'étude, huit caractéristiques radiologiques des tumeurs ont été utilisées pour construire des modèles de prédiction pour les trois thérapies systémiques. Des exemples de caractéristiques étaient les différences de volume, de marge et de forme des tumeurs. Les modèles pour le nivolumab et le géfitinib ont chacun utilisé quatre des huit caractéristiques et le modèle pour le docétaxel a utilisé une caractéristique.
Qu'a trouvé l'étude?
Les performances de chaque modèle ont été évaluées en calculant une mesure de précision appelée «aire sous la courbe» (AUC), où un score de un représente une précision prédictive parfaite. Dans les groupes de validation, les scores AUC pour les modèles étaient de 0,77 pour le nivolumab; 0,67 pour le docétaxel et 0,82 pour le géfitinib.
«Nous avons observé que des caractéristiques radiomiques similaires prédisaient trois réponses médicamenteuses différentes chez les patients atteints de CBNPC», explique 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. »
Les implications des résultats
Dercle ajoute que l'évaluation des signatures radiomiques peut potentiellement améliorer la prise de décision clinique en disant qu'en utilisant 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».
L'équipe reconnaît que la taille de la population étudiée était petite, mais Dercle dit que «parce que l'IA peut continuellement apprendre des données du monde réel, l'utilisation de l'IA sur de plus grands ensembles de données sur les patients nous aidera à identifier de nouveaux modèles pour construire des modèles de prédiction plus précis.»
La source:
L'IA peut aider à prédire les réponses aux thérapies systémiques du cancer du poumon non à petites cellules. EurekALert! 2020. Disponible sur: https://www.eurekalert.org/pub_releases/2020-03/aafc-amh031820.php
Référence de la revue:
L'intelligence artificielle peut aider à prédire les réponses aux thérapies systémiques chez les patients atteints d'un cancer du poumon non à petites cellules. AACR 2020. Disponible sur: https://www.aacr.org/about-the-aacr/newsroom/news-releases/artificial-intelligence-may-help-predict-responses-to-systemic-therapies-in-patients- avec un cancer du poumon non à petites cellules /