Des chercheurs développent un modèle d'IA capable de détecter le risque futur de cancer du poumon

Des chercheurs développent un modèle d’IA capable de détecter le risque futur de cancer du poumon

Des chercheurs du Massachusetts General Hospital et du MIT se tiennent devant un tomodensitomètre au MGH, où certaines des données de validation ont été générées. De gauche à droite : Regina Barzilay, Lecia Sequist, Florian Fintelmann, Ignacio Fuentes, Peter Mikhael, Stefan Ringer et Jeremy Wohlwend Crédit : Guy Zylberberg.

Le nom Sybil trouve son origine dans les oracles de la Grèce antique, également connus sous le nom de sibylles : des figures féminines sur lesquelles on comptait pour transmettre la connaissance divine de l’invisible et du passé, du présent et du futur omnipotents. Aujourd’hui, le nom a été extrait de l’Antiquité et attribué à un outil d’intelligence artificielle pour l’évaluation des risques de cancer du poumon développé par des chercheurs de la clinique Abdul Latif Jameel du MIT pour l’apprentissage automatique en santé, du Mass General Cancer Center (MGCC) et du Chang Gung Memorial Hospital. (CGMH).

Le cancer du poumon est le cancer le plus meurtrier au monde, entraînant 1,7 million de décès dans le monde en 2020, tuant plus de personnes que les trois cancers les plus meurtriers combinés.

« C’est le plus grand tueur de cancer car il est relativement courant et relativement difficile à traiter, surtout une fois qu’il a atteint un stade avancé », explique Florian Fintelmann, radiologue interventionnel thoracique MGCC et co-auteur des nouveaux travaux. « Dans ce cas, il est important de savoir que si vous détectez le cancer du poumon tôt, les résultats à long terme sont nettement meilleurs. Votre taux de survie à cinq ans est plus proche de 70 %, alors que si vous le détectez à un stade avancé, les cinq – le taux de survie annuel est juste en dessous de 10 %. »

Bien qu’il y ait eu une augmentation des nouvelles thérapies introduites pour lutter contre le cancer du poumon ces dernières années, la majorité des patients atteints d’un cancer du poumon succombent encore à la maladie. La tomodensitométrie pulmonaire à faible dose (LDCT) est actuellement le moyen le plus courant de dépister le cancer du poumon chez les patients dans l’espoir de le détecter dans les premiers stades, lorsqu’il peut encore être enlevé chirurgicalement. Sybil pousse le dépistage un peu plus loin en analysant les données d’image LDCT sans l’aide d’un radiologue pour prédire le risque qu’un patient développe un futur cancer du poumon dans les six ans.

Dans leur nouvel article publié dans le Journal d’oncologie clinique, les chercheurs de la Jameel Clinic, du MGCC et du CGMH ont démontré que Sybil a obtenu des indices C de 0,75, 0,81 et 0,80 sur une période de six ans à partir de divers ensembles de scanners pulmonaires LDCT tirés du National Lung Cancer Screening Trial (NLST), Mass General Hôpital (MGH) et CGMH, respectivement – les modèles obtenant un score d’indice C supérieur à 0,7 sont considérés comme bons et supérieurs à 0,8 comme forts. Les ROC-AUC pour la prédiction sur un an utilisant Sybil ont obtenu des scores encore plus élevés, allant de 0,86 à 0,94, 1,00 étant le score le plus élevé possible.

Malgré son succès, la nature 3D des tomodensitogrammes pulmonaires a fait de Sybil un défi à construire. Co-premier auteur Peter Mikhael, titulaire d’un doctorat du MIT. étudiant en génie électrique et en informatique, et affilié à la Jameel Clinic et au Laboratoire d’informatique et d’intelligence artificielle du MIT (CSAIL), a comparé le processus à « essayer de trouver une aiguille dans une botte de foin ».

Les données d’imagerie utilisées pour former Sybil étaient en grande partie absentes de tout signe de cancer, car le cancer du poumon à un stade précoce occupe de petites parties du poumon – juste une fraction des centaines de milliers de pixels composant chaque tomodensitométrie. Les parties plus denses du tissu pulmonaire sont connues sous le nom de nodules pulmonaires, et bien qu’elles aient le potentiel d’être cancéreuses, la plupart ne le sont pas et peuvent provenir d’infections cicatrisées ou d’irritants aéroportés.

Pour s’assurer que Sybil serait en mesure d’évaluer avec précision le risque de cancer, Fintelmann et son équipe ont étiqueté des centaines de tomodensitogrammes avec des tumeurs cancéreuses visibles qui seraient utilisées pour former Sybil avant de tester le modèle sur des tomodensitogrammes sans signes discernables de cancer.

Doctorat en génie électrique et informatique du MIT. L’étudiant Jeremy Wohlwend, co-auteur de l’article et Jameel Clinic et affilié à la CSAIL, a été surpris par le score élevé de Sybil malgré l’absence de tout cancer visible. « Nous avons constaté que pendant que nous [as humans] ne pouvait pas tout à fait voir où se trouvait le cancer, le modèle pouvait encore avoir un certain pouvoir prédictif quant au poumon qui développerait éventuellement un cancer », se souvient-il. [Sybil] a pu mettre en évidence quel côté était le côté le plus probable était vraiment intéressant pour nous. »

La co-auteure Lecia V. Sequist, oncologue médicale, experte en cancer du poumon et directrice du Centre d’innovation dans la détection précoce du cancer à l’HGM, affirme que les résultats obtenus par l’équipe avec Sybil sont importants « parce que le dépistage du cancer du poumon n’est pas déployé pour son plein potentiel aux États-Unis ou dans le monde, et Sybil pourra peut-être nous aider à combler cet écart. »

Les programmes de dépistage du cancer du poumon sont sous-développés dans les régions des États-Unis les plus durement touchées par le cancer du poumon en raison de divers facteurs. Celles-ci vont de la stigmatisation contre les fumeurs à des facteurs politiques et politiques tels que l’expansion de Medicaid, qui varie d’un État à l’autre.

De plus, de nombreux patients diagnostiqués avec un cancer du poumon aujourd’hui n’ont jamais fumé ou sont d’anciens fumeurs qui ont arrêté il y a plus de 15 ans, des caractéristiques qui rendent les deux groupes inéligibles au dépistage par tomodensitométrie du cancer du poumon aux États-Unis.

« Nos données d’entraînement ne concernaient que les fumeurs car c’était un critère nécessaire pour s’inscrire au NLST », explique Mikhael. « A Taïwan, ils dépistaient les non-fumeurs, donc nos données de validation devraient contenir des personnes qui ne fumaient pas, et c’était excitant de voir Sybil bien généraliser à cette population. »

« Une prochaine étape passionnante de la recherche consistera à tester Sybil de manière prospective sur des personnes à risque de cancer du poumon qui n’ont pas fumé ou qui ont arrêté il y a des décennies », déclare Sequist. « Je traite de tels patients tous les jours dans ma clinique du cancer du poumon et il est naturellement difficile pour eux de concilier qu’ils n’auraient pas été candidats à un dépistage. Peut-être que cela changera à l’avenir. »

Il y a une population croissante de patients atteints d’un cancer du poumon qui sont classés comme non-fumeurs. Les femmes non-fumeuses sont plus susceptibles de recevoir un diagnostic de cancer du poumon que les hommes non-fumeurs. À l’échelle mondiale, plus de 50 % des femmes diagnostiquées avec un cancer du poumon ne fument pas, contre 15 à 20 % des hommes.

La professeure du MIT Regina Barzilay, co-auteure de l’article et responsable de la faculté d’IA de la Jameel Clinic, qui est également membre de l’Institut Koch pour la recherche intégrative sur le cancer, attribue les efforts conjoints du MIT et du MGH sur Sybil à Sylvia, la sœur d’un ami proche de Barzilay et l’un des patients de Sequist.

« Sylvia était jeune, en bonne santé et athlétique – elle n’a jamais fumé », se souvient Barzilay. « Quand elle a commencé à tousser, ni ses médecins ni sa famille n’ont d’abord soupçonné que la cause pouvait être un cancer du poumon. Lorsque Sylvia a finalement été diagnostiquée et a rencontré le Dr Sequist, la maladie était trop avancée pour inverser son cours. En pleurant la mort de Sylvia, nous avons pu n’arrêtez pas de penser au nombre d’autres patients qui ont des trajectoires similaires. »

Fourni par le Massachusetts Institute of Technology


A lire également