L'intégration de l’intelligence artificielle dans le diagnostic et les soins de santé est l'avenir, expliquent ces chercheurs, biologiste et mathématiciens, de l’Université de Waterloo : ils démontrent ici, dans le Journal of Theoretical Biology, l’efficacité de l'apprentissage automatique pour prédire la progression des tumeurs cérébrales. Cet algorithme, basé sur les données IRM va permettre, comme dans d’autres domaines, de personnaliser davantage la médecine du cancer.
Si ce développement pourra en effet être élargi à d’autres types de tumeurs, il est particulièrement précieux dans le diagnostic du glioblastome multiforme (GBM) est un cancer du cerveau à très mauvais pronostic, soit un taux de survie moyen de seulement 1 an. Le cancer est très difficile à traiter en raison de son noyau extrêmement dense, de sa croissance rapide et de son emplacement dans le cerveau. La propagation et la prolifération de ces tumeurs restent difficiles à prédire rapidement et avec précision chez un patient en particulier.
Un modèle pour prédire la croissance des tumeurs cérébrales mortelles
Comprendre l’évolution du glioblastome : les chercheurs de l'Université de Waterloo avec leurs collègues de l'Université de Toronto ont analysé les données d'IRM de plusieurs patients atteints de GBM et eu recours à l'apprentissage automatique pour analyser complètement la tumeur de ces patients, afin de mieux prédire la progression du cancer. L’analyse de 2 séries d'IRM de 5 patients avec GBM, réalisées à intervalle de plusieurs mois, ces participants ayant par ailleurs pour diverses raisons, préféré de ne recevoir aucun traitement ou intervention pendant la période d’étude, a offert une occasion unique de comprendre comment le GBM se développe lorsqu'il n'est pas traité.
Un modèle d'apprentissage en profondeur a permis, à partir de ces données IRM, d’identifier les paramètres spécifiques au patient qui vont permettre la prédiction de l’évolution de la tumeur et donc de disposer d’un modèle prédictif de la croissance du GBM.
- La technique est testée et validée sur des modèles in vitro de tumeur et chez des patients.
« L’objectif serait de reproduire et valider cette analyse sur très large ensemble de données », explique l’auteur principal, Cameron Meaney, chercheur en mathématiques appliquées : « Cependant, compte tenu de la nature de la maladie, c'est très difficile car l'espérance de vie est limitée et les patients commencent rapidement leur traitement. Cette opportunité de suivre 5 tumeurs non traitées était donc très précieuse ».
Les scientifiques disposent ainsi d’un premier modèle de progression du GBM sans traitement, la prochaine étape sera d’élargir le modèle pour inclure l'effet du traitement sur les tumeurs. Ensuite, de généraliser le modèle à des milliers de patients traités.
Avec, écrivent les chercheurs, d'énormes impacts de survie pour les patients.
Source: Journal of Theoretical Biology Deep Learning Characterization of Brain Tumours With Diffusion Weighted Imaging
