Une équipe de recherche dirigée par la Harvard Medical School a développé un outil d'IA qui peut distinguer de manière fiable deux cancers de l'air trouvés dans le cerveau mais avec des origines, des comportements et des traitements différents.
L'outil, appelé image (outil de caractérisation de l'image de pathologie avec des évaluations rapides incertaines), distinguées avec une précision presque parfaite entre le glioblastome – la tumeur cérébrale le plus courante et la plus agressive – et le lymphome nerveux central primaire (PCNSL), un cancer plus rare souvent confondu avec le glioblastome. Bien que les deux puissent apparaître dans le cerveau, le glioblastome provient des cellules cérébrales, tandis que le PCNSL se développe à partir de cellules immunitaires. Leurs similitudes au microscope conduisent souvent à un diagnostic erroné, avec de graves conséquences pour le traitement.
Les travaux, soutenus en partie par les National Institutes of Health, sont décrits le 29 septembre Communications de la nature. Le modèle d'IA est accessible au public pour que d'autres scientifiques puissent utiliser et s'appuyer, a déclaré l'équipe.
L'identification correcte des tumeurs de l'air dans le cerveau pendant la chirurgie est l'un des défis diagnostiques les plus difficiles en neuro-oncologie, ont déclaré les chercheurs. Un diagnostic précis alors que le patient est toujours dans la salle d'opération peut aider à accélérer les choix de traitement critiques, tels que l'opportunité de fonctionner et de retirer les tissus cancéreux – comme cela devrait être fait avec le glioblastome – ou de le laisser derrière et d'opter pour la radiothérapie et la chimiothérapie, la thérapie préférée pour le PCNSL. Le diagnostic inexact ou retardé des cancers dans le cerveau peut entraîner une chirurgie inutile et des retards dans un traitement approprié.
Ce qui rend l'outil particulièrement précieux, c'est sa capacité à être déployée pendant la chirurgie, fournissant des informations critiques en temps réel aux chirurgiens et aux pathologistes.
Notre modèle peut minimiser les erreurs de diagnostic en distinguant les tumeurs avec des caractéristiques qui se chevauchent et aider les cliniciens à déterminer le meilleur traitement basé sur la véritable identité d'une tumeur. «
Kun-Hsing Yu, auteur principal de l'étude, professeur agrégé d'informatique biomédicale au Blavatnik Institute du HMS et professeur adjoint de pathologie du HMS au Brigham and Women's Hospital
Pendant la chirurgie tumorale cérébrale, les chirurgiens éliminent généralement les tissus tumoraux pour une évaluation rapide au microscope. L'évaluation se fait en gelant l'échantillon dans de l'azote liquide, qui peut déformer quelque peu les caractéristiques cellulaires mais fournit une évaluation rapide et en temps réel. Le processus prend environ 15 minutes. Sur la base des résultats de cette évaluation du premier scie, les chirurgiens déterminent s'il faut retirer la tumeur ou le laisser derrière et opter pour la radiothérapie et la chimiothérapie. Ensuite, au cours des prochains jours, les pathologistes effectuent une évaluation plus détaillée et plus fiable de l'échantillon tumoral. Dans environ 1 cas sur 20, le diagnostic initial d'une tumeur change en deuxième lecture, a déclaré Yu. C'est précisément là que le nouveau système d'IA pourrait jouer un rôle précieux – supprimer l'incertitude et réduire le risque d'erreur pendant le fonctionnement lorsque des décisions critiques sont prises.
« Notre modèle montre des performances fiables sur les sections congelées pendant la chirurgie cérébrale et dans des scénarios ayant un désaccord diagnostique important chez les experts humains », a-t-il déclaré.
L'outil a été testé dans cinq hôpitaux et a surpassé les pathologistes humains et d'autres modèles d'IA. Un aspect unique du nouveau modèle est un «détecteur d'incertitude», qui lui permet non seulement de distinguer les types de cancer avec une grande précision, mais aussi de signaler quand il n'est pas sûr de son jugement – une caractéristique importante pour les scénarios médicaux à enjeux élevés.
La nouvelle étude s'appuie sur des travaux antérieurs menés par YU pour développer un système d'IA qui pourrait décoder de manière fiable les caractéristiques moléculaires de différents types de gliomes.
Comment l'image repére les doppelgangers du cancer du cerveau
Chaque année, plus de 300 000 personnes dans le monde sont diagnostiquées avec des tumeurs dans le cerveau ou le système nerveux central, et plus de 200 000 décès surviennent en conséquence. L'Organisation mondiale de la santé reconnaît environ 109 types différents de tumeurs cérébrales et de moelle épinière, chacune avec ses propres caractéristiques uniques au microscope ou au niveau génétique.
La distinction avec précision du PCNSL du glioblastome pendant la chirurgie pourrait permettre aux chirurgiens d'épargner les tissus cérébraux au lieu de l'éliminer. Les patients atteints de PCNSL sont ensuite référés pour la radiothérapie et la chimiothérapie, les traitements préférés pour ce type de tumeur. En revanche, le glioblastome nécessite l'élimination chirurgicale de la plupart des tissus cérébraux cancéreux que possible.
Une performance proche de l'image
Le modèle – que YU a développé avec les co-prits des auteurs de l'étude Junhan Zhao et Shih-Yen Lin – a été évalué sur 2 141 diapositives de pathologie cérébrale recueillies dans le monde, y compris de rares cas à travers les sections congelées et les échantillons fixés au formol. Il a été conçu pour repérer les caractéristiques critiques du cancer, notamment la densité des cellules tumorales, la forme des cellules et la présence de nécrose.
Les scientifiques ont testé les performances de Picture dans cinq hôpitaux internationaux dans quatre pays. Dans tous les cas, le modèle d'IA a surpassé les outils d'IA existants et l'évaluation traditionnelle de la section congelée, la norme de soins pour le typage tumoral en temps réel.
Dans les tests, le modèle d'image a distingué correctement le glioblastome du PCNSL plus de 98% du temps – un niveau de précision qui a maintenu lorsqu'il a été testé dans cinq groupes de patients internationaux indépendants. De plus, l'image a identifié des échantillons appartenant à 67 cancers du SNC qui n'étaient ni des gliomes ni des lymphomes.
Le modèle pouvait repérer les tumeurs qu'elle n'avait pas vues lors de sa formation et, quand elle l'a fait, elle a soulevé un drapeau rouge pour une revue humaine. En d'autres termes, l'outil savait quand il ne savait pas, a déclaré Yu, ce qui a empêché le système de pigeonner des cas peu clairs dans des catégories connues. Cette fonctionnalité rend le modèle unique parmi d'autres systèmes d'IA, ont déclaré les chercheurs. En comparaison, d'autres outils d'IA peuvent se différencier dans une maladie binaire, soit la maladie, une maladie par rapport à B. Ceci est particulièrement problématique pour la pathologie du cerveau, a noté Yu, car il existe plus de 100 sous-types différents de cancers du cerveau, et beaucoup d'entre eux sont relativement rares.
L'image a surperformé les pathologistes humains dans des tumeurs difficiles à distinguer dans le cerveau. Dans les tests, les spécialistes humains ont montré un désaccord significatif sur les diagnostics difficiles, certains types de tumeurs diagnostiqués 38% du temps. L'image a correctement identifié tous ces cas, offrant un soutien lorsque l'opinion d'experts varie.
Lancement de l'image dans le monde réel
Le déploiement de l'outil pourrait être une excellente occasion pour la collaboration humaine-AI, ont déclaré les chercheurs. Ils envisagent la mise en œuvre du système dans les salles d'opération et les départements de pathologie comme un filtre initial pour différencier le glioblastome de PCNSL et éclairer les appels de traitement.
L'utilisation du modèle pourrait également démocratiser l'accès à la neuropathologie, un domaine d'expertise hautement spécialisé avec une pénurie de spécialistes et une distribution inégale d'experts à travers le pays et le monde. En outre, l'outil peut également être utilisé comme un outil éducatif pour former la prochaine génération de pathologistes pour reconnaître les lésions de l'air dans le cerveau où les différences critiques sont obscurcies sous une apparence similaire.
Les chercheurs ont noté que la plupart des échantillons de tumeurs étaient obtenus auprès de patients blancs, donc des recherches supplémentaires sont nécessaires pour confirmer la précision du modèle à travers diverses populations. Et tandis que l'outil s'est concentré sur le glioblastome et le PCNSL, les travaux futurs pourraient l'étendre à d'autres types de cancer et le combiner avec des données génétiques et moléculaires pour des informations plus profondes.
