2024-04-02 12:16:19
Un nouvel article de synthèse dans npj Oncologie de précision résume l’état actuel des connaissances sur le rôle de l’intelligence artificielle (IA) dans le diagnostic, le traitement et le pronostic des tumeurs cérébrales.
Étude: Intelligence artificielle en neuro-oncologie : avancées et défis en matière de diagnostic, de pronostic et de traitement de précision des tumeurs cérébrales. Crédit d’image : métamorworks/Shutterstock.com
Arrière-plan
Les tumeurs cérébrales, bien que rares, posent un problème de santé majeur à l’échelle mondiale, avec environ 250 000 nouveaux cas chaque année. Rien qu’aux États-Unis, plus de 96 000 cas de tumeurs cérébrales ont été signalés en 2022, dont environ 26 600 étaient cancéreuses.
Le glioblastome est le type de tumeur cérébrale le plus fréquemment diagnostiqué et son pronostic est particulièrement sombre, avec un taux de survie de seulement 7 % cinq ans après le diagnostic.
Cela met en évidence le besoin urgent de méthodes améliorées de diagnostic, de traitement et de prévision de la progression des tumeurs cérébrales.
Défis dans la gestion des tumeurs cérébrales
Le gliome diffus de la ligne médiane (DMG) chez les enfants et le glioblastome chez les adultes comptent parmi les tumeurs cérébrales les plus difficiles à traiter et sont souvent considérées comme incurables avec les approches médicales actuelles.
Les traitements sur mesure offrent les meilleures chances de guérir avec le moins de dommages possible. Cependant, le problème réside dans le fait que les informations sur le diagnostic et le traitement des tumeurs cérébrales sont dispersées et difficiles à trouver.
Seul un nombre restreint de centres médicaux ont accès aux dernières techniques de traitement. De plus, une grande partie des données disponibles sur ces traitements proviennent d’une ou de quelques institutions seulement, ce qui limite l’étendue des connaissances et l’accessibilité pour beaucoup.
Les approches de gestion et les critères de diagnostic basés sur de telles données se heurtent à un manque de données démographiques et peuvent ne pas être généralisables à l’échelle mondiale.
Les inégalités socio-économiques contribuent également aux diagnostics tardifs, aux défis thérapeutiques et à la réduction de la survie en restreignant l’accès à certains tests clés et en réduisant les chances de recourir à des thérapies combinées. Cela inclut le test de la 06-méthylguanine-ADN-méthyltransférase (MGMT) pour le glioblastome.
Dans de nombreux cas, il est difficile de répondre aux besoins en matière de diagnostic, de stadification et de suivi du traitement précis.
Compte tenu de la contribution du génotype tumoral au pronostic, de l’accessibilité limitée à l’imagerie et à la biopsie, de l’hétérogénéité intratumorale et des biomarqueurs peu fiables pour suivre les progrès du traitement, il existe des obstacles importants à la prise en charge optimale de ces patients.
Le paradigme des tumeurs cérébrales
Dans la plupart des cas, une suspicion de tumeur cérébrale est diagnostiquée en commençant par un examen physique et une neuroimagerie. Une biopsie suit cela. Si possible, la tumeur et d’autres biomarqueurs sont retirés et soumis à une analyse histologique et moléculaire.
Le choix du traitement dépend des pratiques de soins disponibles et recommandées, des essais cliniques en cours, de l’état médical du patient et des risques de toxicité. L’imagerie par résonance magnétique (IRM) est la modalité de suivi de choix, parfois complétée par du liquide céphalo-rachidien (LCR) ou des analyses de sang.
“Les décisions concernant le traitement des tumeurs cérébrales impliquent souvent des réunions multidisciplinaires entre neuro-oncologues, neurochirurgiens, neuroradiologues, pathologistes moléculaires et neuropathologistes, soulignant la complexité de ces décisions..»
Les avantages de l’IA
L’IA comprend les techniques d’apprentissage automatique (ML) et d’apprentissage profond (DL), la vision par ordinateur (CV) et leur intégration en tant que biologie computationnelle. ML excelle dans la reconnaissance de formes et DL dans l’extraction de fonctionnalités détaillées. CV améliore l’interprétation visuelle des données d’imagerie pour fournir des données médicales.
La biologie computationnelle utilise toutes ces méthodes pour analyser les données biologiques, aidant ainsi à comprendre la génétique des tumeurs et la biologie moléculaire.
Cette étude vise à découvrir les progrès de la radiologie tumorale, de la pathologie et de la génomique assistés par l’IA. L’IA contribue de manière synergique à tous ces domaines pour améliorer leur rôle en tant qu’ensemble de données combiné dans la gestion des tumeurs cérébrales.
L’IA peut aider les cliniciens à prendre des décisions en matière de gestion des tumeurs en améliorant la précision de l’imagerie IRM et en augmentant la vitesse à laquelle les résultats sont disponibles.
Il offre une sensibilité accrue aux anomalies détectées par l’imagerie, une analyse d’image détaillée, des flux de travail optimisés, une analyse complète des données provenant de sources multiples et la détection de modèles qui pourraient manquer par l’observateur humain.
Les algorithmes d’IA aident à localiser les tumeurs plus efficacement, évitant ainsi les erreurs humaines. L’algorithme nnU-Net excelle dans la segmentation des tumeurs, réduisant ainsi les dommages causés par les radiations ou les interventions chirurgicales.
Cela permet à l’IA d’aider à diagnostiquer et à classer la tumeur, à déterminer le pronostic et à planifier le traitement tout en mettant en place un cadre de surveillance.
L’IA pourrait faire partie de nouveaux essais cliniques, explorant la faisabilité d’une thérapie personnalisée en tirant parti de sa capacité à gérer de grands volumes de données.
L’IA utilise divers types de données, notamment les données d’imagerie de l’IRM et de la tomodensitométrie (TDM), la radiomique, les données histopathologiques, la génomique, les biomarqueurs moléculaires des cellules tumorales et les données cliniques.
La neuroimagerie utilise souvent l’imagerie pré- et post-contraste pondérée en T1, pondérée en T2, par inversion de récupération atténuée par les fluides (FLAIR), pondérée en diffusion (DWI) et en sensibilité (SWI), ainsi que, dans des centres spécialisés, Spectroscopie IRM et imagerie de perfusion.
Les biomarqueurs moléculaires comprennent les mutations IDH pour les astrocytomes et les oligodendrogliomes, les mutations du promoteur TERT pour les glioblastomes, l’amplification de l’EGFR pour les glioblastomes, le gain du chromosome 7 et la perte du chromosome 10 pour les glioblastomes et la méthylation du promoteur MGMT pour les glioblastomes.
L’analyse non invasive de l’ADN tumoral circulant (ADNc) est une méthode plus récente pour diagnostiquer de telles tumeurs.
Plateformes d’IA
3D U-Net, DeepMedic et V-Net sont des architectures d’IA qui aident à prétraiter les images de tumeurs, rendant l’analyse plus robuste et précise. Le profilage du méthylome est utile pour classer les tumeurs cérébrales à l’aide de l’IA/MI et de systèmes comme DeepGlioma. Celui-ci utilise l’histologie Raman stimulée (SRH) pour offrir des résultats sur le diagnostic moléculaire du GMB dans les 90 secondes.
D’autres systèmes permettant de prédire l’IDH et d’autres mutations basés sur les données radiomiques des analyses de perfusion IRM ou des analyses TEP/CT 18F-FET sont en cours d’exploration, comme une signature d’imagerie d’apprentissage profond (DLIS) et la spectroscopie térahertz.
« Esturgeon » est une autre méthode DL pour classer les tumeurs cérébrales en peropératoire à l’aide de données de réseau de méthylation séquencées par des nanopores. Son délai d’exécution de 40 minutes, avec une précision >70 %, facilite la prise de décision chirurgicale.
Une aide pronostique est fournie à partir des données d’imagerie pour prédire la survie globale et la survie sans progression, deux paramètres cliniques et de recherche clés.
En combinaison avec l’histologie et la biologie moléculaire, des performances prédictives exceptionnelles ont été démontrées.
Approches intégrées
Les approches multimodales de fusion de données pourraient aider à parvenir à une compréhension moins invasive et plus précise des tumeurs cérébrales en utilisant plusieurs sources de données. Cela permettra à terme d’adapter la prise en charge au patient.
Le défi consiste à étendre et à diversifier la gamme de collecte de données à d’autres populations et types de tumeurs présentant des caractéristiques standardisées pour garantir la reproductibilité et la généralisabilité.
L’adoption de l’IA ne devrait pas aggraver les inégalités en matière de soins de santé et sociales, en soulignant la nécessité d’éliminer les préjugés, de fournir un soutien juridique, d’en communiquer la portée et les avantages avec transparence, de définir les responsabilités et d’assurer la sécurité des patients.
Conclusions
“L’IA a le potentiel de responsabiliser les patients en fournissant des informations personnalisées et en permettant une prise de décision partagée. Cependant, l’accès équitable et l’abordabilité des soins de santé basés sur l’IA doivent être abordés pour éviter d’exacerber les disparités existantes..»
#lessor #lIA #neurooncologie
1712060235