Nature Medicine : un modèle d'IA peut aider à déterminer où le cancer d'un patient est apparu

Source : Biocom

Pour un petit pourcentage de patients atteints de cancer, les médecins ne peuvent pas déterminer l'origine de leur cancer. Il est donc plus difficile de choisir un traitement pour ces patients, car de nombreux médicaments anticancéreux sont souvent développés pour des types de cancer spécifiques.

Une nouvelle méthode développée par des chercheurs du MIT et du Dana-Farber Cancer Institute pourrait faciliter l'identification de l'origine de ces mystérieux cancers. À l'aide de l'apprentissage automatique, les chercheurs ont créé un modèle informatique capable d'analyser la séquence d'environ 400 gènes et d'utiliser ces informations pour prédire l'origine d'une tumeur donnée dans le corps.

En utilisant ce modèle, les chercheurs ont montré qu'ils pouvaient classer avec précision au moins 40 % des tumeurs d'origine inconnue avec une grande confiance dans un ensemble de données d'environ 900 patients. Cette approche a permis de multiplier par 2,2 le nombre de patients éligibles à une thérapie ciblée guidée par le génome en fonction de l'origine de leur cancer.

"Il s'agit de la découverte la plus importante de notre article, et le modèle pourrait potentiellement être utilisé pour aider les décisions de traitement et guider les médecins dans la personnalisation du traitement des patients cancéreux d'origine inconnue", a déclaré Intae Moon, un étudiant diplômé du MIT en génie électrique et informatique. ., qui est l'auteur principal de la nouvelle étude.

Alexander Gusev, professeur agrégé de médecine à la Harvard Medical School et au Dana-Farber Cancer Institute, est l'auteur principal de l'article publié dans la revue Nature Medicine.

Origine mystérieuse

Chez les 3 à 5 % de patients atteints de cancer, en particulier ceux dont les tumeurs ont métastasé dans tout le corps, les oncologues n'ont pas de moyen facile de déterminer l'origine du cancer. Ces tumeurs ont été classées en carcinome primitif inconnu (CUP).

Ce manque de connaissances empêche souvent les médecins de donner aux patients des médicaments «précis», qui sont souvent approuvés pour des types de cancer spécifiques connus pour leur efficacité. Ces thérapies ciblées ont tendance à être plus efficaces, avec moins d'effets secondaires, que les traitements utilisés pour un large éventail de cancers, et sont souvent utilisées chez les patients atteints de CUP.

"Un nombre considérable de personnes contractent ces cancers primitifs inconnus chaque année, et comme la plupart des traitements sont approuvés de manière spécifique au site, vous devez connaître le site d'origine pour les utiliser, de sorte que leurs choix de traitements sont très limités."

Moon, qui fait partie du Laboratoire d'informatique et d'intelligence artificielle, co-conseille Gusev. Moon a décidé d'analyser les données génétiques recueillies régulièrement à Dana-Farber pour voir si elles pouvaient être utilisées pour prédire le type de cancer. Les données comprenaient des séquences génétiques pour environ 400 gènes qui sont fréquemment mutés dans le cancer. Les chercheurs ont formé un modèle d'apprentissage automatique sur les données de près de 30 000 patients diagnostiqués avec l'un des 22 types de cancer connus. L'ensemble de données comprenait des patients des centres de cancérologie Memorial Sloan Kettering et Vanderbilt-Ingram, ainsi que de Dana-Farber.

Les chercheurs ont ensuite testé le modèle sur environ 7 000 tumeurs inédites dont la localisation d'origine était connue. Le modèle, que les chercheurs ont nommé OncoNPC, a pu prédire leur origine avec une précision d'environ 80 %. Pour les tumeurs prédites avec une confiance élevée (environ 65 % du total), sa précision est passée à environ 95 %.

Suite à ces résultats encourageants, les chercheurs ont utilisé le modèle pour analyser environ 900 tumeurs de patients CUP, toutes de Dana-Farber. Ils ont constaté que pour 40 % de ces tumeurs, le modèle était capable de faire des prédictions avec une grande confiance.

Les chercheurs ont ensuite comparé les prédictions du modèle avec les analyses de données existantes de sous-ensembles de tumeurs pour les mutations germinales ou génétiques, qui peuvent révéler si un patient a une prédisposition génétique à développer un type particulier de cancer. Les chercheurs ont découvert que les prédictions du modèle étaient plus susceptibles de correspondre au type de cancer le plus fortement prédit par les mutations germinales que tout autre type de cancer.

Guider les décisions relatives aux médicaments

Pour valider davantage les prédictions du modèle, les chercheurs ont comparé les données de temps de survie des patients CUP avec un pronostic typique pour le type de cancer prédit par le modèle. Ils ont constaté que les patients atteints de CUP dont on prévoyait qu'ils auraient un cancer avec un pronostic plus sombre, comme le cancer du pancréas, avaient un temps de survie proportionnellement plus court. Dans le même temps, on prévoyait que les patients atteints de CUP atteints de cancers qui ont généralement un meilleur pronostic, tels que les tumeurs neuroendocrines, vivraient plus longtemps.

Une autre indication que les prédictions du modèle pourraient être utiles provient des types de traitements que les patients CUP analysés dans l'étude ont reçus. Environ 10 % de ces patients ont reçu un traitement ciblé, basé sur les meilleures hypothèses des oncologues sur l'origine du cancer. Parmi ces patients, ceux qui ont reçu un traitement compatible avec le type de cancer prédit par le modèle s'en sont mieux tirés que ceux qui ont reçu un traitement typique différent du type de cancer prédit par le modèle.

En utilisant ce modèle, les chercheurs ont également identifié 15 % supplémentaires de patients (une augmentation de 2,2 fois) qui auraient reçu des thérapies ciblées existantes si leur type de cancer avait été connu. Au lieu de cela, ces patients ont fini par recevoir des médicaments de chimiothérapie plus courants.

"Cela pourrait rendre ces découvertes plus exploitables sur le plan clinique, car nous n'avons pas besoin que de nouveaux médicaments soient approuvés. Ce que nous disons, c'est que ces personnes peuvent désormais recevoir des traitements de précision qui existent déjà", a déclaré Gusev.

Les chercheurs espèrent maintenant étendre leur modèle pour inclure d'autres types de données, telles que des images de pathologie et de radiologie, afin de fournir des prédictions plus complètes en utilisant plusieurs modalités de données. Cela donnera également au modèle une vue complète de la tumeur, lui permettant de prédire non seulement le type de tumeur et le pronostic du patient, mais peut-être même les meilleures options de traitement.

Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
  • Récompense
  • Commentaire
  • Reposter
  • Partager
Commentaire
0/400
Aucun commentaire
  • Épingler
Trader les cryptos partout et à tout moment
qrCode
Scan pour télécharger Gate app
Communauté
Français (Afrique)
  • 简体中文
  • English
  • Tiếng Việt
  • 繁體中文
  • Español
  • Русский
  • Français (Afrique)
  • Português (Portugal)
  • Bahasa Indonesia
  • 日本語
  • بالعربية
  • Українська
  • Português (Brasil)