Crédit : RODNAE Productions
À l’aide de techniques d’apprentissage automatique, les chercheurs ont identifié un moyen de prévoir la survie des patients atteints d’un cancer du côlon à un stade avancé.1
Une équipe, dirigée par Vincenzo L’Imperio, MD, Département de médecine et de chirurgie, Pathologie, Université de Milano-Bicocca, IRCCS (Institut scientifique pour la recherche, l’hospitalisation et les soins de santé) Fondazione San Gerardo dei Tintori, a évalué si la notation pathologiste d’un examen histopathologique caractéristique précédemment identifiée par l’apprentissage automatique est liée à la survie des patients atteints d’un cancer du côlon.
“L’identification de nouvelles caractéristiques pronostiques dans le cancer du côlon a le potentiel d’affiner l’examen histopathologique et d’informer les soins aux patients”, ont écrit les auteurs. “Bien que les systèmes d’intelligence artificielle pronostique aient récemment démontré une stratification significative du risque pour plusieurs types de cancer, les études n’ont pas encore montré que les caractéristiques dérivées de l’apprentissage automatique associées à ces systèmes d’intelligence artificielle pronostique sont à la fois interprétables et utilisables par les pathologistes.”
Dans l’étude pronostique, les enquêteurs ont utilisé des cas de cancer colorectal anonymisés et archivés entre 2013 et 2015 de l’Université de Milano-Bicocca.
L’équipe a utilisé toutes les lames histologiques disponibles de 258 cas consécutifs d’adénocarcinome du côlon et a recherché les principaux résultats de la valeur pronostique de la caractéristique adipeuse de la tumeur pour la survie globale et la survie spécifique à la maladie, mesurée par des analyses de régression univariées et multivariées. Ils ont également évalué l’accord interpathologiste dans le score TAF . L’âge médian de la population de patients était de 67 ans et 53 % (n = 138) étaient des hommes.
De plus, 119 patients avaient un cancer du côlon de stade II et 139 patients avaient un cancer du côlon de stade III.
Les résultats montrent que la caractéristique adipeuse de la tumeur a été trouvée dans 120 cas au total, dont 63 étaient répandus, 31 étaient multifocaux et 26 étaient unifocaux.
La survie globale après ajustement en fonction du stade de la tumeur a montré que la caractéristique adipeuse de la tumeur était indépendamment pronostique en tant que caractéristique binaire (présence vs absence : rapport de risque [HR] pour la présence de TAF, 1,55 ; Intervalle de confiance à 95 % [CI]1.07-2.25]; P = 0,02) et en tant que caractéristique catégorique semi-quantitative (HR pour le TAF généralisé, 1,87 ; IC à 95 %, 1,23-2,85 ; P = 0,004).
L’accord interpathologiste pour la caractéristique adipeuse tumorale étendue par rapport aux catégories inférieures comme absent, unifocal ou multifocal était de 90 %, ce qui correspond à une métrique K au seuil de 0,69 (IC à 95 %, 0,58-0,80).
“Dans cette étude pronostique, les pathologistes ont pu apprendre et marquer de manière reproductible le TAF, fournissant une stratification des risques significative sur cet ensemble de données indépendant”, ont écrit les auteurs. « Bien que des travaux supplémentaires soient justifiés pour comprendre la signification biologique de cette caractéristique et pour établir un score TAF largement reproductible, ce travail représente la première validation à ce jour de l’apprentissage expert humain à partir de l’apprentissage automatique en pathologie. Plus précisément, cette validation démontre qu’une caractéristique histologique identifiée par ordinateur peut représenter une caractéristique pronostique identifiable par l’homme avec le potentiel d’intégration dans la pratique de la pathologie.
L’Imperio V, Wulczyn E, Plass M, et al. Validation par un pathologiste d’une fonctionnalité dérivée de l’apprentissage automatique pour la stratification du risque de cancer du côlon. JAMA Netw Open. 2023;6(3):e2254891. doi:10.1001/publicnetwork.2022.54891
