Attaquez directement les trois principales tumeurs solides ! Des scientifiques chinois lancent un système d’apprentissage profond pour mieux lutter contre le « tueur numéro un au monde » !

Un rapport publié par l'Organisation mondiale de la santé en 2022 a souligné que les maladies non transmissibles (MNT) telles que le cancer ont dépassé les maladies infectieuses pour devenir la « première cause de mortalité dans le monde ». Les dernières données publiées par le Centre national du cancer de Chine montrent qu'il y aura environ 4,8247 millions de nouveaux cas de cancer et 2,5742 millions de nouveaux décès par cancer en Chine en 2022.

Pendant longtemps, les gens ont eu peur du cancer. Mais en fait, en tant que maladie chronique, 1/3 des cancers peuvent être évités, 1/3 peuvent être guéris grâce à une détection précoce, un diagnostic précoce et un traitement précoce, et 1/3 sont incurables mais peuvent être contrôlés grâce à un traitement approprié pour obtenir une meilleure qualité de vie et prolonger la survie. Parmi elles, la prévention consiste principalement à prêter attention à sa santé personnelle en améliorant sa propre immunité, en effectuant des examens physiques réguliers, etc. Une fois le cancer diagnostiqué, l'analyse pronostique est très importante.

Le pronostic du cancer fait référence à la prédiction de l’évolution et du résultat possibles des patients atteints de cancer. L’analyse pronostique permet d’améliorer les chances de survie des patients atteints de cancer. Dans le passé, les chercheurs ont caractérisé le microenvironnement tumoral (TME) du point de vue de l’expression spatiale des gènes basée sur la technologie de la transcriptomique spatiale (ST) pour distinguer différents sous-groupes pronostiques de patients atteints de cancer. Cependant, le coût élevé et la longue période expérimentale de la ST entravent son application dans des cohortes de patients atteints de cancer à grande échelle pour la prédiction de la survie. En comparaison, les images histologiques sont rentables, facilement accessibles en milieu clinique et peuvent fournir des informations riches sur la morphologie tumorale, ce qui en fait une meilleure alternative à l'analyse TME au niveau moléculaire et permet un pronostic du cancer plus précis.

Récemment, le groupe de recherche de Yu Zhangsheng (École des sciences de la vie et de la technologie/Centre de recherche clinique de l'École de médecine), le groupe de recherche de Wang Yuguang (École des sciences naturelles/École des sciences mathématiques) du Centre national de mathématiques appliquées de Shanghai (branche de l'Université Jiao Tong de Shanghai) et leurs collaborateurs ont publié un article intitulé « Exploiter le TME représenté par des images histologiques pour améliorer le pronostic du cancer grâce à un système d'apprentissage profond » dans Cell Reports Medicine. Cette étude a développé un système d’apprentissage profond capable de prédire les informations sur le microenvironnement tumoral des patients atteints de cancer sans données de transcriptome spatial grâce à des images histopathologiques, permettant ainsi d’obtenir un pronostic précis du cancer.

Points saillants de la recherche :

Prédire les informations TME à partir d'images histopathologiques pour les patients atteints de cancer sans données ST

Le TME caractérisé par IGI-DL améliore la précision de la prédiction de la survie au cancer

Élargit considérablement l'utilisation des informations sur l'expression spatiale des gènes dans les grandes bases de données publiques d'images de pathologie biomédicale

Ensembles de données : Évaluation sur 3 échantillons de tissus de type tumeur solide Dans cette étude, 3 ensembles de données différents ont été utilisés pour évaluer les performances du modèle sur trois échantillons de tissus de type tumeur solide différents : cancer colorectal (CCR), cancer du sein et carcinome épidermoïde cutané (cSCC).

Pour le cancer colorectal, les chercheurs ont utilisé 41 492 points provenant de 10 ensembles de données ST de 10 patients atteints de CCR de l'hôpital Ruijin affilié à la faculté de médecine de l'université Jiao Tong de Shanghai, qui ont été séquencés par 10× Visium comme ensemble de validation de l'exclusion d'un patient, comme indiqué dans le tableau ci-dessous.

Caractéristiques cliniques de l'ensemble de données internes sur le CCR

Pour le cancer du sein, les chercheurs ont utilisé 34 678 taches provenant de 92 échantillons de tissus de 27 patients, qui ont été séquencés à l'aide de la technologie ST traditionnelle, comme ensemble de validation d'un patient, comme indiqué dans le tableau ci-dessous.

Résumé des ensembles de données du transcriptome spatial du cancer du sein

Pour le carcinome épidermoïde cutané, les chercheurs ont utilisé 4 353 taches provenant de 12 échantillons de tissus de quatre patients qui ont été séquencés à l'aide de la technologie ST traditionnelle comme ensemble de validation d'un patient, comme indiqué dans le tableau ci-dessous.

Résumé des ensembles de données du transcriptome spatial du cSCC

Architecture du modèle : un nouveau système d’apprentissage profond améliore le pronostic du cancer Dans cette étude, les chercheurs ont développé un système d’apprentissage profond qui peut améliorer le pronostic du cancer en utilisant le TME représenté dans les images histologiques.

Le système d'apprentissage profond se compose de deux parties

Le système se compose de deux parties :

La première partie (connexion 1 dans la figure ci-dessus) est un modèle basé sur l'apprentissage profond intégré des graphes et des images (IGI-DL), qui utilise des réseaux neuronaux convolutifs et des réseaux neuronaux graphiques pour projeter des images histologiques colorées H&E dans l'espace d'expression génétique.

Dans la deuxième partie (connexion 2 dans la figure ci-dessus), les chercheurs ont utilisé le graphique super-patch et l'expression spatiale des gènes prédite par IGI-DL comme caractéristiques de nœud dans la cohorte de cancer colorectal et la cohorte de cancer du sein dans l'ensemble de données Cancer Genome Atlas (TCGA) pour prédire le pronostic, puis l'ont vérifié dans l'ensemble de tests externes MCO-CRC (cancer colorectal en oncologie moléculaire et cellulaire).

Le flux de travail d'un système d'apprentissage profond

Plus précisément, la construction du système comprend trois étapes : le prétraitement de l'image histologique colorée H&E, le modèle de prédiction de l'expression spatiale des gènes et le modèle de survie du graphique de super-patch d'expression spatiale des gènes basé sur la prédiction.

Prétraitement des images histologiques colorées H&E :

Tout d’abord, chaque image histologique colorée H&E a été segmentée en plusieurs patchs non superposés de 200 × 200 pixels avec une résolution de 0,5 μm/pixel selon les coordonnées de chaque point ;

Modèle de prédiction de l'expression spatiale des gènes :

Pour chaque patch, les chercheurs ont construit un Nuclei-Graph, dans lequel chaque noyau segmenté par Hover-Net24 était représenté comme un nœud, et la distance entre chaque paire de noyaux déterminait s'il y avait une connexion de bord. Sur la base de l’architecture présentée dans la figure C ci-dessus, les chercheurs ont utilisé le modèle IGI-DL pour prédire l’expression des gènes cibles à chaque point de l’image histologique.

Modèle de survie du graphique Super-patch basé sur l'expression spatiale prédite des gènes :

Pour mieux prédire le pronostic en fonction du TME délimité par l'expression spatiale des gènes, les chercheurs ont construit un graphique de super-patch à partir d'une imagerie de lame entière colorée H&E (WSI) de chaque patient atteint de cancer, puis ont construit un modèle de prédiction de survie basé sur un graphique en utilisant le graphique de super-patch construit et les caractéristiques cliniques comme entrée.

Résultats de la recherche : le modèle IGI-DL fonctionne globalement bien

Dans l’ensemble, le modèle IGI-DL construit dans cette étude intègre les avantages des réseaux neuronaux convolutifs et des réseaux neuronaux graphiques, en utilisant pleinement l’intensité des pixels et les caractéristiques structurelles des images histopathologiques pour obtenir une prédiction plus précise des niveaux d’expression spatiale des gènes. Le modèle a donné de bons résultats dans trois types de tumeurs solides : le cancer colorectal, le cancer du sein et le carcinome épidermoïde cutané, avec une amélioration moyenne du coefficient de corrélation de 0,171 par rapport aux cinq méthodes existantes.

Performance prédictive et visualisation de l'expression spatiale des gènes dans le cancer colorectal à l'aide d'IGI-DL

Pour le cancer colorectal, les chercheurs ont comparé la corrélation de Pearson de 179 gènes prédits par IGI-DL avec 5 modèles SOTA. L'IGI-DL a obtenu une corrélation de Pearson moyenne de 0,343 chez 10 patients retenus, surpassant significativement les autres modèles avec une augmentation moyenne de 0,233, comme le montre la figure ci-dessus.

Performance prédictive et visualisation de l'expression spatiale des gènes dans le cancer du sein à l'aide de l'IGI-DL

Pour le cancer du sein, les chercheurs ont comparé les corrélations de Pearson de 187 gènes prédits par IGI-DL avec le modèle précédent, et IGI-DL a obtenu une corrélation moyenne de 0,231 chez les 27 patients retenus. Comme le montre la figure ci-dessus, le modèle IGI-DL surpasse tous les modèles SOTA avec une amélioration moyenne de 0,142.

Performance prédictive et visualisation de l'expression spatiale des gènes dans le cSCC à l'aide d'IGI-DL

Pour le carcinome épidermoïde cutané, les chercheurs ont comparé la corrélation de Pearson de 487 gènes prédits par IGI-DL avec les modèles précédents. L'IGI-DL a obtenu une corrélation moyenne de 0,198 chez les quatre patients retenus, la meilleure performance parmi tous les modèles, et une amélioration moyenne des performances de 0,131 par rapport aux autres modèles SOTA, comme le montre la figure ci-dessus.

En termes de performances multiplateformes et multi-cancers, comme le montrent les expériences ci-dessus, pour la validation interne et les ensembles de tests externes de différents types de cancer, le meilleur modèle SOTA n'est pas fixe, mais les performances du modèle IGI-DL sont toujours meilleures que celles des autres modèles, avec une amélioration moyenne de 0,171, montrant une bonne capacité de généralisation multiplateforme.

De plus, les chercheurs ont étudié les performances de prédiction inter-cancers de l'IGI-DL, et son modèle formé sur le cancer colorectal a obtenu de bons résultats sur les ensembles de tests de validation interne et externes du carcinome épidermoïde cutané, avec des corrélations moyennes de 0,204 et 0,143, respectivement. Cependant, la plupart des performances de prédiction inter-cancers étaient inférieures à celles obtenues lors de la formation et des tests sur un seul type de cancer. Ce résultat suggère que l’expression spatiale des gènes dans les régions tumorales présente une certaine spécificité cancéreuse, et qu’il existe des difficultés inhérentes à la prédiction inter-cancers.

Performances prédictives de différents modèles de survie pour le cancer du sein et du côlon TCGA

En ce qui concerne les performances de prédiction pronostique, dans la cohorte Cancer Genome Atlas Breast Cancer (TCGA-BRCA), le modèle de survie du graphique super-patch basé sur l'expression spatiale des gènes en tant que caractéristiques des nœuds peut atteindre un indice de cohérence moyen (indice C) de 0,747 lors d'une validation croisée à 5 volets ; dans la cohorte Cancer Genome Atlas Colorectal Cancer (TCGA-CRC), le modèle de survie a un indice C de 0,725 dans une validation croisée à 5 volets, ce qui est meilleur que les autres modèles pronostiques, comme le montre la figure ci-dessus.

Ce modèle pronostique de survie conserve également son avantage de précision dans la prédiction du pronostic des patients à un stade précoce (stades I et II), et le score de risque prédit peut être utilisé comme indicateur pronostique indépendant pour les patients de tous les stades et les patients à un stade précoce. Dans l'ensemble de tests externes MCO-CRC contenant des données de plus d'un millier de patients, le modèle pronostique de survie a conservé un avantage stable et avait une capacité de généralisation.

Cancer du sein et cancer du pancréas d'abord : tirer parti de l'IA pour améliorer le pronostic Dans le diagnostic et le traitement du cancer, l'analyse du pronostic du cancer peut efficacement éviter le surtraitement et le gaspillage de ressources médicales, et fournir une base scientifique au personnel médical et à leurs familles pour prendre des décisions médicales. C’est devenu une direction de choix dans la recherche sur le cancer ces dernières années.

Afin d'améliorer le pronostic du cancer du sein, en 2020, les chercheurs de Salesforce ont collaboré avec des cliniciens du Lawrence J. Ellison Institute de l'Université de Californie du Sud pour lancer un système d'apprentissage automatique, ReceptorNet, dont l'algorithme peut prédire l'état des récepteurs hormonaux grâce à des images de tissus peu coûteuses et facilement accessibles - un biomarqueur important pour les cliniciens lorsqu'ils décident du chemin de traitement approprié pour les patientes atteintes d'un cancer du sein. Le système a atteint un taux de précision de 92 pour cent.

En février 2024, des chercheurs de l'Université du Kentucky, de l'Université des sciences et technologies de Macao, de l'Université de Macao et du premier hôpital affilié de l'Université médicale de Guangzhou ont utilisé un modèle de réseau neuronal pour établir un système de notation pronostique précis - MIRS (score de risque de métastase et immunogénomique) pour la métastase tumorale et le score de risque immunogénomique, fournissant un outil prédictif presque universellement applicable aux patientes atteintes d'un cancer du sein et offrant une nouvelle direction pour les options de traitement pour la population atteinte d'un cancer du sein. (Cliquez ici pour un rapport détaillé : Dans le but de cibler le cancer le plus répandu au monde, des chercheurs chinois ont établi le système de notation pronostique du cancer du sein MIRS)

De plus, le cancer du pancréas est l’une des tumeurs malignes les plus courantes du tube digestif et le taux de survie à cinq ans après le diagnostic ne dépasse pas 10 %. Une étape clé pour améliorer les taux de survie des patients consiste à prédire avec précision le risque pronostique du patient afin de concevoir des plans de traitement ciblés. L'histopathologie est un examen de routine en oncologie qui permet d'analyser les caractéristiques tumorales au niveau microscopique et constitue une méthode importante pour évaluer le risque de progression tumorale. Cependant, en raison de la grande taille des tranches et de la composition complexe des tissus, les résultats de l’évaluation sont facilement affectés par des facteurs subjectifs.

En 2023, une équipe de recherche de l'Université des sciences et technologies de l'information de Nanjing et de l'Institut des soins de santé intelligents, École d'intelligence artificielle, a publié un article de recherche intitulé « Modèle de segmentation multi-tissus pour les images de tranches entières de cancer du pancréas basé sur le multitâche et l'attention ». L'article a étudié la segmentation tissulaire de huit catégories de tranches pathologiques du cancer du pancréas et a considérablement amélioré les performances du modèle en introduisant un mécanisme d'attention et en concevant une structure multitâche hiérarchique et partagée utilisant des tâches auxiliaires associées.

Le modèle proposé dans cette étude a été formé et testé sur l'ensemble de données de l'hôpital de Shanghai Changhai et validé en externe sur l'ensemble de données publiques TCGA. Les scores F1 sur l’ensemble de tests internes étaient supérieurs à 0,97, et les scores F1 sur l’ensemble de validation externe étaient supérieurs à 0,92. Les performances de généralisation étaient significativement meilleures que celles de la méthode de base.

Il convient de souligner que l’IA ne peut pas remplacer les experts en pathologie, mais sert plutôt de technologie de diagnostic auxiliaire pour apporter plus de commodité au diagnostic pathologique et améliorer encore l’efficacité du travail des pathologistes. À long terme, l’IA a encore beaucoup de marge de développement dans la détection de biomarqueurs numériques, l’analyse d’images médicales, la prédiction de l’évolution des maladies et d’autres domaines.

Références :
1. https://news.un.org/zh/story/2018/09/1017602

2.https://mp.weixin.qq.com/s/VE68FKL6kwpO1IFsbR-LVA

3.https://ins.sjtu.edu.cn/articles/286

4.https://www.cdstm.cn/theme/khsj/khzx/khcb/202012/t20201214_1039028.html