Transfer Learning and Machine Learning for Training Five Year Survival Prognostic Models in Early Breast Cancer

Chaque année, des millions de femmes à travers le monde reçoivent un diagnostic de cancer du sein précoce. À ce stade, la maladie ne s'est pas propagée au-delà du sein ou des ganglions lymphatiques voisins, ce qui ouvre la porte à un large éventail d'options de traitement. Les médecins doivent décider si une patiente a besoin d'une chirurgie seule, ou si elle nécessite également de la radiothérapie, de la chimiothérapie ou une hormonothérapie. Pour faire ces choix difficiles, les cliniciens s'appuient sur des outils pronostiques — des modèles mathématiques qui estiment la chance d'une patiente de survivre cinq ans après le diagnostic. Ces estimations aident les médecins et les patientes à évaluer les bénéfices d'un traitement agressif par rapport aux risques d'effets secondaires. Pendant des décennies, les outils les plus accessibles ont été basés sur des informations cliniques standards : la taille de la tumeur, l'âge de la patiente et l'aspect des cellules cancéreuses sous un microscope. Bien que des tests génétiques plus récents et plus coûteux existent, les outils plus simples et plus anciens restent essentiels car ils sont largement disponibles et abordables. Cependant, ces outils traditionnels sont construits sur des données provenant de groupes de personnes spécifiques et peuvent parfois éprouver des difficultés lorsqu'ils sont appliqués à des populations différentes ou lorsque des informations sont manquantes.

Dans une étude récente, des chercheurs ont cherché à voir si l'informatique moderne pouvait insuffler une nouvelle vie à ces outils classiques. Ils se sont concentrés sur un défi spécifique : comment prendre un modèle de survie éprouvé et l'adapter à un nouveau groupe de patients sans avoir à reconstruire l'ensemble du système à partir de zéro. Ils ont également exploré si de nouveaux types d'algorithmes informatiques, connus sous le nom d'apprentissage automatique (machine learning), pouvaient apprendre directement des dossiers des patients pour faire de meilleures prédictions. L'équipe a comparé trois approches différentes : utiliser simplement l'ancien modèle tel quel, ajuster l'ancien modèle pour l'adapter aux nouvelles données, et entraîner entièrement de nouveaux programmes informatiques en partant de zéro. Leur objectif était de voir quelle méthode offrait les estimations de survie les plus précises et les plus fiables pour les femmes atteintes d'un cancer du sein précoce, particulièrement lorsque certains détails médicaux manquaient dans leurs dossiers.

Les chercheurs ont commencé leur travail avec un large essai clinique appelé MA.27, qui a suivi des milliers de femmes ménopausées atteintes d'un cancer du sein hormonosensible. Ils voulaient prédire qui survivrait cinq ans sans que le cancer ne réapparaisse. D'abord, ils ont testé un outil bien connu appelé PREDICT, qui avait été entraîné sur des données provenant du Royaume-Uni. Lorsqu'ils ont appliqué cet outil aux femmes américaines et canadiennes de l'essai MA.27, il a fonctionné, mais il n'était pas parfait. L'outil n'a pas pu fournir de prédiction pour près d'un quart des patientes car il exigeait des détails spécifiques, tels que le nombre exact de ganglions lymphatiques positifs ou la taille précise de la tumeur, qui étaient manquants ou enregistrés différemment dans les données de l'essai. Même pour les patientes qu'il pouvait prédire, l'outil avait tendance à être légèrement imprécis dans ses estimations, sous-estimant souvent le nombre de femmes qui survivraient.

Pour corriger cela, l'équipe a essayé une technique appelée apprentissage par transfert (transfer learning). Imaginez un musicien qui maîtrise le violon et qui apprend ensuite à jouer de l'alto ; il ne repart pas de zéro, mais adapte ses compétences existantes à son nouvel instrument. De la même manière, les chercheurs ont pris le modèle PREDICT pré-entraîné et ont « affiné » (fine-tuned) ses paramètres internes pour correspondre aux schémas spécifiques trouvés dans les données de MA.27. Ce processus, qui a ajusté les paramètres du modèle pour l'adapter au nouveau groupe, a considérablement amélioré la précision des prédictions. Cependant, comme l'outil original, le modèle affiné ne pouvait toujours pas fournir d'estimations de survie pour environ 24 % des patientes car il restait dépendant de points de données spécifiques qui étaient manquants dans leurs dossiers. En revanche, les nouveaux modèles d'apprentissage automatique pouvaient prédire la survie pour tous les individus, indépendamment des informations manquantes.

L'équipe a également entraîné de nouveaux modèles informatiques de toutes pièces en utilisant les données de MA.27. Ces modèles, construits à l'aide de méthodes excellant dans la détection de motifs dans des données complexes, ne reposaient pas sur les anciennes règles basées sur le Royaume-Uni. Au lieu de cela, ils ont appris directement des patients américains et canadiens. L'un de ces nouveaux modèles a obtenu des performances similaires à la version affinée, tandis qu'un autre présentait des forces légèrement différentes. Crucialement, ces nouveaux modèles pouvaient gérer naturellement les informations manquantes. Contrairement à l'outil original, qui s'arrêtait de fonctionner si une seule donnée faisait défaut, les nouveaux programmes informatiques pouvaient toujours faire une prédiction en utilisant les informations disponibles. Il s'agit d'un avantage significatif dans la médecine réelle, où les dossiers des patients sont souvent incomplets.

Enfin, les chercheurs ont combiné les forces de toutes ces approches en un seul modèle « d'ensemble ». Ce système a pris les prédictions de l'outil affiné et des nouveaux modèles informatiques et les a fusionnées pour créer une estimation finale unifiée. Cette approche combinée s'est avérée robuste, offrant la fiabilité du modèle affiné avec la flexibilité des nouveaux algorithmes. Lorsque l'équipe a testé ces modèles améliorés sur un groupe distinct de patientes issues d'un essai clinique différent, les résultats ont été mitigés. Les améliorations se sont confirmées sur un large ensemble de données provenant des États-Unis, confirmant que les modèles pouvaient se généraliser à des populations similaires. Cependant, lorsqu'ils ont été testés sur un essai multinational impliquant des patientes d'Europe et d'Asie, les améliorations étaient moins claires, et le modèle pré-entraîné original s'est avéré plus performant que les versions adaptées dans cette cohorte spécifique, suggérant que les modèles doivent encore être soigneusement adaptés à des groupes de patientes très différents.

L'étude conclut que, bien que les outils traditionnels soient précieux, ils peuvent être considérablement améliorés par des techniques modernes. En affinant les modèles existants ou en entraînant de nouveaux modèles sur des données locales, les médecins peuvent obtenir des estimations de survie plus précises, même lorsque les dossiers des patients sont imparfaits. La recherche souligne que l'âge de la patiente, le nombre de ganglions lymphatiques affectés, le grade de la tumeur et la taille de la tumeur sont les facteurs les plus importants pour prédire la survie, une conclusion qui s'est avérée vraie pour tous les modèles testés. En fin de compte, ce travail suggère que nous n'avons pas besoin d'abandonner nos outils établis pour améliorer les soins aux patients. Au contraire, en utilisant des méthodes informatiques intelligentes pour adapter ces outils à de nouvelles situations, nous pouvons offrir des conseils plus personnalisés et plus fiables aux femmes confrontées au cancer du sein, garantissant que les décisions de traitement soient basées sur les meilleures informations possibles.