...

Pour les médecins qui suivent des patients cancéreux, connaître le site primaire d'origine d'une tumeur est un élément déterminant afin de permettre une action ciblée et d'augmenter le taux de survie. La plupart des traitements administrés sont en effet spécifiques à la tumeur primaire. D'où l'importance de la localiser et de l'analyser. Pourtant à l'heure actuelle, dans environ 2% des cas de cancer, on ne parvient pas à déterminer l'origine de la tumeur métastatique et c'est d'autant plus problématique que, faute de cette connaissance essentielle, le pronostic pour les patients se trouvant dans cette situation est mauvais, avec une survie globale médiane de 2,7 à 16 mois. Qui plus est, afin d'améliorer le diagnostic, pour l'instant les patients doivent souvent subir des examens approfondis et invasifs qui retardent la mise en route d'un traitement. Pour remédier à ce problème, une équipe de chercheurs du département des pathologies du Brigham and Women's Hospital a mis au point une intelligence artificielle capable de trouver l'origine des tumeurs métastatiques et de générer un "diagnostic différentiel" pour les patients atteints de cancers d'origine inconnue. Appelée Tumor Origin Assessment via Deep Learning (Toad), cette IA utilise le deep learning pour identifier la tumeur comme primaire ou métastatique et prédire son site d'origine. Ce modèle Toad a été entraîné à l'aide d'images pathologiques de tumeurs provenant de plus de 22.000 cas de cancers. L'IA se base sur l'histologie, la branche des sciences naturelles qui traite de la structure des tissus vivants. "Presque tous les patients chez qui on diagnostique un cancer ont une lame d'histologie, qui est la norme de diagnostic depuis plus de cent ans", explique Faisal Mahmood, qui a dirigé les travaux. Toad a ensuite été testé sur environ 6.500 cas de cancer dont la tumeur primaire était préalablement connue et il a aussi analysé des cancers métastatiques de plus en plus compliqués. Pour les tumeurs dont l'origine primaire était connue, l'outil a identifié correctement le cancer dans 83% des cas et, dans 96% des situations, le bon diagnostic se trouvait parmi les trois qu'il proposait. Les chercheurs ont également soumis Toad à 317 cas de cancer du col de l'utérus pour lesquels un diagnostic différentiel avait été attribué. Ils ont constaté que son diagnostic correspond aux rapports des pathologistes dans 61% des cas et que ce pourcentage grimpe à 82% quand on lui permet de réaliser trois diagnostics. Forts de ce résultat, les auteurs comptent poursuivre l'entraînement de leur modèle de deep learning avec davantage de cas et s'engager dans des essais cliniques pour confirmer qu'il améliore bel et bien les capacités de diagnostic et le pronostic des patients.