Une équipe de chercheurs de Dana-Farber a identifié une nouvelle façon potentielle d’évaluer les caractéristiques cliniquement précieuses du carcinome à cellules claires du rein (ccRCC), une forme de cancer du rein, en utilisant le traitement d’images avec l’apprentissage profond. Leur outil d’évaluation basé sur l’IA évalue les images bidimensionnelles d’un échantillon de tumeur sur une lame pathologique et identifie des caractéristiques auparavant sous-estimées, telles que la microhétérogénéité tumorale, qui pourraient aider à prédire si une tumeur répondra à l’immunothérapie.
Leurs résultats suggèrent que les diapositives de pathologie contiennent des informations biologiques importantes sur les tumeurs ccRCC – et peut-être sur tous les types de tumeurs – qui pourraient être utiles pour mieux comprendre la biologie du cancer.
L’œuvre, décrite dans Rapports cellulaires Médecinefait partie d’un effort plus large de Dana-Farber visant à utiliser l’IA de manière biologiquement fondée pour transformer les soins contre le cancer et la découverte du cancer.
Il s’agit d’un exemple de la convergence croissante de l’IA et de la biologie du cancer. Cela représente une opportunité majeure de mesurer simultanément les caractéristiques clés de la tumeur et son microenvironnement immunitaire. Ces mesures pourraient contribuer non seulement à la découverte biologique, mais aussi potentiellement orienter les soins contre le cancer.
Eliezer Van Allen, MD, co-auteur principal, chef de la Division des sciences de la population chez Dana-Farber
Le carcinome rénal fait partie des 10 cancers les plus courants dans le monde. Le sous-type de cellules claires (ccRCC) représente 75 à 80 % des cas métastatiques. Certaines tumeurs sont sensibles aux inhibiteurs de points de contrôle immunitaires (ICI), mais jusqu’à présent, il n’existe aucune mesure permettant de prédire si une tumeur ccRCC répondra à l’immunothérapie avec un ICI.
« Nous voulions savoir à quoi ressemble une tumeur qui répond à l’immunothérapie », explique le premier auteur Jackson Nyman, PhD, étudiant diplômé du laboratoire de Van Allen et qui travaille maintenant à PathAI. « Y a-t-il quelque chose dans la diapositive de pathologie qui pourrait nous donner des indices sur ce qui est différent dans les tumeurs ? »
Dans le cadre du diagnostic, les pathologistes analysent des lames pathologiques d’échantillons de tumeurs colorés pour révéler les structures des cellules. Une mesure de routine est le niveau nucléaire, qui indique dans quelle mesure les cellules tumorales s’écartent des cellules normales.
Nyman, qui a collaboré avec Van Allen, Sabina Signoretti, MD, pathologiste de Dana-Farber, et Toni Choueiri, MD, directeur du Centre Lank d’oncologie génito-urinaire de Dana-Farber, sur le projet, a d’abord formé un modèle d’IA pour évaluer le noyau nucléaire d’une tumeur. grade. Le modèle d’IA était non seulement capable d’évaluer le grade nucléaire, mais également d’identifier les différences de grade dans un échantillon de tumeur.
La découverte a inspiré l’équipe à élargir son modèle d’apprentissage profond pour quantifier la microhétérogénéité tumorale et les propriétés immunitaires, telles que l’infiltration immunitaire, à travers la lame. La microhétérogénéité tumorale est une mesure de la mesure dans laquelle la qualité nucléaire varie à travers la lame. L’infiltration immunitaire mesure la profondeur avec laquelle les lymphocytes, les guerriers du système immunitaire, ont pénétré dans la tumeur. Ces mesures sont possibles pour les pathologistes, mais elles prennent beaucoup trop de temps à réaliser de manière routinière.
Lorsqu’ils ont évalué un ensemble de lames pathologiques ccRCC avec leur modèle d’IA, ils ont constaté que certaines tumeurs étaient nettement homogènes tandis que d’autres présentaient de nombreux grades nucléaires différents selon de nombreux modèles différents. Ils ont également pu constater que dans certaines tumeurs, des lymphocytes étaient présents tandis que d’autres manquaient d’infiltration substantielle.
« Il y avait une différence visuelle entre certaines images de patients et d’autres qui n’était pas évidente auparavant », explique Nyman. « Nous nous sommes demandés si certains modèles pouvaient prédire une réponse à l’immunothérapie. »
Pour répondre à cette question, l’équipe a utilisé l’outil basé sur l’IA pour évaluer les lames pathologiques des tumeurs des patients qui faisaient partie de l’essai clinique randomisé de phase 3 CheckMate 025. L’essai a testé la monothérapie avec un ICI ou un inhibiteur de mTOR chez des patients atteints de ccRCC qui avaient déjà été traités avec un traitement standard.
Ils ont découvert que des caractéristiques telles que la microhétérogénéité tumorale et l’infiltration immunitaire étaient associées à une survie globale améliorée chez les patients prenant des inhibiteurs de points de contrôle immunitaires. Les tumeurs qui ont répondu aux ICI présentaient à la fois des niveaux plus élevés de microhétérogénéité tumorale et une infiltration plus dense de lymphocytes dans les régions de haut grade.
« Ces signaux sont cachés à la vue de tous », explique Van Allen. « Ils sont tout simplement difficiles à mesurer pour les pathologistes sur des lames individuelles. Avec l’IA, nous disposons d’un moyen évolutif d’extraire potentiellement beaucoup plus d’informations de ces lames. »
L’outil n’est pas prêt pour une utilisation clinique, mais dans une prochaine étape, l’équipe le teste dans le cadre d’un essai clinique en cours impliquant l’immunothérapie combinée comme traitement de première intention chez les patients atteints de ccRCC. L’équipe prévoit également d’explorer si ces indices visuels dans les diapositives de pathologie sont liés aux caractéristiques moléculaires de la tumeur, telles que des altérations des gènes.
« L’utilisation de stratégies d’apprentissage profond pour identifier les caractéristiques tumorales et microenvironnementales à partir de lames histopathologiques et déterminer leur relation avec les états moléculaires et cliniques peut avoir de la valeur pour tous les types de tumeurs et modalités thérapeutiques », explique Van Allen.