Des progrès significatifs dans la compréhension des mécanismes moléculaires et cellulaires de la progression tumorale ont été réalisés, mais des défis demeurent. Les techniques d’imagerie traditionnelles comme l’IRM, la tomodensitométrie et la mammographie sont limitées par la nécessité d’une conservation professionnelle, qui prend du temps. Les changements génétiques associés au cancer pourraient servir de biomarqueurs diagnostiques, pronostiques et prédictifs, mais leur traduction dans la pratique clinique est entravée par les variations des métastases, des réponses au traitement et de la résistance.
Les nouvelles stratégies thérapeutiques, bien qu’efficaces, se heurtent à des problèmes dus à l’hétérogénéité des cancers. L’intelligence artificielle (IA) offre des solutions à ces défis, avec de nombreuses applications dans le développement de médicaments, la prédiction du cancer, le diagnostic et l’analyse des données de séquençage de nouvelle génération. Les algorithmes d’IA peuvent identifier des mutations ou des signatures génétiques pour la détection précoce du cancer et les thérapies ciblées. Cependant, développer et mettre en œuvre des modèles d’IA précis en milieu clinique est un défi en raison de l’hétérogénéité des données, des biais et des problèmes de confidentialité. Malgré cela, l’IA a démontré une amélioration de la prise de décision clinique.
L'intelligence artificielle, un ensemble de méthodes et de techniques, est devenue de plus en plus importante dans la recherche sur le cancer, diverses méthodes d'IA étant détaillées dans cette revue, y compris leurs avantages et leurs limites. La revue fournit un aperçu de l'utilisation de ces méthodes au cours de la dernière décennie, ainsi que des lignes directrices sur l'incorporation de modèles d'IA dans les contextes cliniques et le potentiel des modèles de langage pré-entraînés dans la personnalisation des stratégies de soins contre le cancer. Les méthodes d’IA discutées incluent l’apprentissage automatique (ML), qui englobe l’apprentissage non supervisé et supervisé. L'apprentissage supervisé, qui comprend la régression et la classification, est largement utilisé dans la recherche sur le cancer. Les modèles de ML traditionnels tels que les réseaux bayésiens, les machines vectorielles de support et les forêts aléatoires intègrent en permanence des données pour produire des résultats. Le Deep Learning, un sous-ensemble du ML, utilise plusieurs couches cachées pour identifier des modèles complexes dans les données. Le traitement du langage naturel (NLP), un autre algorithme d'IA, cible les textes narratifs pour en extraire des informations utiles à la prise de décision.
Les modèles d’IA dans la recherche sur le cancer utilisent des informations multi-omiques et cliniques provenant de diverses sources, la classification étant la tâche la plus courante. Ces modèles sont validés et évalués à l'aide d'une analyse des caractéristiques de fonctionnement du récepteur, qui calcule l'aire sous la courbe (AUC), la sensibilité, la spécificité et la précision. Des méthodes d’IA ont été développées pour gérer de grands volumes de données, nécessitant une puissance de cloud computing et de stockage accrue. La revue aborde également l’application de l’IA dans le développement de médicaments, où les modèles prédisent les réponses aux médicaments à l’aide de données multi-omiques. De plus, l’IA a été utilisée pour extraire des informations des dossiers de santé électroniques, relevant ainsi le défi de l’analyse de données désordonnées.
Malgré les progrès, les applications de l’IA dans la recherche sur le cancer présentent des limites. Le choix de l'algorithme approprié est complexe et dépend du type et de la complexité des données. L’intégration de l’IA dans les environnements cliniques nécessite des explications détaillées sur les applications et la transparence des algorithmes. Il est crucial de surveiller la qualité des outils d’IA pour garantir des performances robustes. L’examen souligne la nécessité d’une plus grande transparence et d’orientations sur l’examen minutieux des logiciels, la rentabilité, le recyclage des ensembles de données et les conditions requises pour l’utilisation des systèmes d’IA.
En conclusion, l’IA a eu un impact significatif sur la recherche sur le cancer, et relever les défis et valider les résultats générés par l’IA peut ouvrir la voie à l’avenir de la recherche en oncologie. L'examen met en évidence les progrès des méthodes d'IA dans les applications liées au cancer et le potentiel de l'IA explicable, de la médecine personnalisée et des outils d'IA non invasifs pour la détection précoce du cancer. À mesure que l’IA continue d’évoluer, elle recèle un grand potentiel pour révolutionner la détection du cancer et améliorer les résultats pour les patients.
