Le cancer de la prostate constitue une menace répandue pour la santé des hommes, se classant au deuxième rang des décès liés au cancer aux États-Unis. Chaque année, environ 250 000 hommes aux États-Unis reçoivent un diagnostic de cancer de la prostate. Même si la plupart des cas présentent de faibles taux de morbidité et de mortalité, un sous-ensemble de cas nécessite un traitement agressif. Les urologues évaluent la nécessité d'un tel traitement principalement grâce au score de Gleason, qui évalue l'apparence de la prostate sur des lames histologiques. Cependant, il existe une variabilité considérable dans l’interprétation, conduisant à la fois à un sous-traitement et à un surtraitement.
La méthode actuelle, basée sur des lames histologiques, présente des limites. Seule une petite fraction de la biopsie est visualisée en 2D, au risque de manquer des détails cruciaux, et les interprétations de structures glandulaires 3D complexes peuvent être ambiguës lorsqu'elles sont visualisées sur des coupes de tissus en 2D. De plus, l’histologie conventionnelle détruit les tissus, limitant les analyses en aval. Pour remédier à ces lacunes, les chercheurs ont développé des méthodes de pathologie 3D non destructives, offrant une imagerie complète des échantillons de biopsie tout en préservant l’intégrité des tissus.
Les progrès récents incluent des techniques permettant d'obtenir des ensembles de données pathologiques 3D, permettant une meilleure évaluation des risques de cancer de la prostate. Recherche publiée dans Journal d'optique biomédicale (JBO) exploite toute la puissance de la pathologie 3D en développant un modèle d'apprentissage en profondeur pour améliorer la segmentation 3D des structures des tissus glandulaires qui sont essentielles à l'évaluation du risque de cancer de la prostate.
L'équipe de recherche, dirigée par le professeur Jonathan TC Liu de l'Université de Washington à Seattle, a formé un modèle d'apprentissage en profondeur, nnU-Net, directement sur les données 3D de segmentation de la prostate obtenues à partir de pipelines complexes précédents. Leur modèle génère efficacement une segmentation sémantique 3D précise des glandes au sein de leurs ensembles de données 3D de biopsies de la prostate, acquises avec des microscopes à feuille de lumière ouverte (OTLS) développés au sein de leur groupe. Les segmentations 3D des glandes fournissent des informations précieuses sur la composition tissulaire, cruciales pour les analyses pronostiques.
Nos résultats indiquent la précision remarquable de nnU-Net pour la segmentation 3D des glandes de la prostate, même avec des données d'entraînement limitées, offrant une alternative plus simple et plus rapide à nos précédentes méthodes de segmentation des glandes 3D. Notamment, il maintient de bonnes performances avec des entrées à faible résolution, ce qui réduit potentiellement les besoins en ressources. »
Professeur Jonathan TC Liu, Université de Washington
Le nouveau modèle de segmentation 3D basé sur l’apprentissage profond représente une avancée significative dans la pathologie informatique du cancer de la prostate. En facilitant une caractérisation précise des structures glandulaires, il est prometteur pour guider les décisions de traitement critiques afin d'améliorer à terme les résultats pour les patients. Cette avancée souligne le potentiel des approches informatiques pour améliorer les diagnostics médicaux. À l’avenir, elle est prometteuse pour la médecine personnalisée, ouvrant la voie à des interventions plus efficaces et ciblées.
Transcendant les limites de l'histologie conventionnelle, la pathologie informatique 3D offre la possibilité d'obtenir des informations précieuses sur la progression de la maladie et d'adapter les interventions aux besoins individuels des patients. Alors que les chercheurs continuent de repousser les limites de l’innovation médicale, la quête pour vaincre le cancer de la prostate entre dans une nouvelle ère de précision et de possibilités.
