Un nouveau modèle basé sur l’IA peut prédire où le glioblastome est le plus susceptible de réapparaître après une intervention chirurgicale initiale, donnant potentiellement aux médecins une chance de le traiter avant qu’il ne devienne visible à l’IRM.
Le glioblastome est la tumeur cérébrale maligne la plus courante chez l’adulte et la plus mortelle, avec une survie médiane d’environ 17 mois après le diagnostic. Même après que les chirurgiens ont retiré toutes les tumeurs visibles et que les patients ont reçu un traitement de suivi, le cancer réapparaît presque toujours.
Aujourd’hui, des chercheurs dirigés par l’UC San Francisco et l’Université du Michigan ont développé une approche d’IA capable de prédire, avec un degré élevé de précision, où la première récidive est susceptible d’apparaître. Dans le glioblastome, la plupart des patients présentent une récidive au niveau ou à proximité de la cavité tumorale.
Les résultats, publiés le 25 septembre dans Avancées scientifiques et soutenu par les National Institutes of Health, pourrait éventuellement permettre aux médecins d’utiliser des traitements ciblés dans ces zones avant qu’une nouvelle tumeur ne devienne visible à l’IRM.
Le système a un potentiel incroyable pour fournir aux neurochirurgiens des conseils précieux en temps réel lors de l’ablation de la tumeur. Cela peut également générer des informations qui guident les décisions de traitement ultérieures. »
Sanjeev Herr, MD, premier auteur, chercheur postdoctoral à l’UC San Francisco et au Drexel University College of Medicine
Ces traitements pourraient inclure le retrait de tissus supplémentaires au cours de la chirurgie initiale lorsqu’il est possible de le faire en toute sécurité, ont déclaré l’auteur principal Shawn Hervey-Jumper, MD, neurochirurgien à l’UCSF Health et Mitchel S. Berger, MD, professeur doté à l’Institut Weill pour les neurosciences.
« Les patients atteints d’une maladie dans des parties du cerveau qui ne peuvent pas être retirées peuvent subir d’autres traitements ciblés sur les sites de progression prévus, comme une radiothérapie focale à plus forte dose ou des médicaments perfusés directement dans la tumeur, via un cathéter placé à travers le crâne », a-t-il déclaré.
L’utilisation de tissus non traités permet d’économiser du temps et des efforts
Les chercheurs ont analysé des échantillons de tissus prélevés lors d’une chirurgie du glioblastome auprès de patients de l’UCSF Health, pour lesquels le délai médian avant récidive était de 5,5 mois. Ils ont développé leur modèle en utilisant environ 300 échantillons provenant de 60 patients et l’ont testé séparément sur environ 100 échantillons provenant de 20 autres patients.
Les chercheurs ont utilisé une technique appelée histologie Raman stimulée (SRH), qui produit des images microscopiques de tissus frais et non traités en moins d’une minute. La pathologie conventionnelle nécessite que les tissus soient traités avec des colorants et des colorants, ce qui prend plus de temps et demande plus de main-d’œuvre.
Ils ont ensuite analysé les images avec FastGlioma, un système d’IA développé par des chercheurs de l’UCSF et de l’Université du Michigan. Le système évalue les tissus en fonction de l’infiltration tumorale.
Ce score d’IA à lui seul a été aussi efficace que la pathologie conventionnelle pour prédire quelles zones développeraient plus tard une tumeur récurrente. Mais lorsque les chercheurs ont combiné le score de l’IA avec des données cliniques, d’imagerie et moléculaires qu’ils ont testées sur six modèles d’apprentissage automatique, ils ont constaté que le modèle le plus performant était significativement plus susceptible de faire la distinction entre les sites qui développeraient ou non des récidives.
La mesure de l’infiltration tumorale par l’IA était également le prédicteur individuel de récidive le plus puissant dans cinq des six modèles, fournissant plus d’informations prédictives que les caractéristiques moléculaires de la tumeur.
Les chercheurs ont également testé avec quelle précision le modèle pouvait déterminer où se développerait la récidive. Le modèle a bien fonctionné pour prédire si le cancer réapparaîtrait dans un rayon de 5 ou 10 millimètres du tissu échantillonné.
L’équipe a choisi la première récidive car les patients reçoivent souvent des traitements expérimentaux plus tard dans leur maladie qui peuvent influencer la croissance tumorale, ce qui rend les récidives ultérieures plus difficiles à prévoir de manière fiable.
« L’objectif global était de retarder cette première récidive », a déclaré le co-auteur principal Todd Hollon, MD, du laboratoire d’apprentissage automatique en neurochirurgie de l’Université du Michigan à Ann Arbor. « En fin de compte, nous espérons que l’extension de cette fenêtre pourra se traduire par une survie plus longue. »
