A spatial AI-based biomarker with independent prognostic value in early low- and intermediate- risk breast cancer

Le cancer du sein est une maladie où les propres cellules du corps commencent à croître de manière incontrôlée, et pour de nombreuses femmes, le type le plus courant implique des cellules qui sont stimulées par l'estrogène mais ne réagissent pas à une protéine appelée HER2. Les médecins savent depuis longtemps que certains de ces cancers sont très lents à évoluer et peu susceptibles de réapparaître après une chirurgie, tandis que d'autres sont plus agressifs. Pour décider qui a besoin d'un traitement supplémentaire, tel que la chimiothérapie, les pathologistes examinent des échantillons de tissus sous un microscope. Ils attribuent un grade à la tumeur en fonction de l'aspect anormal des cellules ; un grade faible signifie généralement un meilleur pronostic, tandis qu'un grade élevé suggère un risque plus élevé. Cependant, ce système n'est pas parfait. De nombreuses patientes présentant des tumeurs qui semblent seulement modérément anormales font toujours face à un risque de récidive des années plus tard, tandis que d'autres avec des tumeurs d'apparence similaire restent en parfaite santé. Le défi consiste à trouver un moyen de distinguer ces deux groupes sans dépendre de tests génétiques coûteux ou de suppositions.

Une équipe de chercheurs en Suède a développé une nouvelle façon d'examiner ces échantillons de tissus en utilisant l'intelligence artificielle. Au lieu de simplement donner à toute la tumeur un score moyen unique, leur méthode prête une attention particulière à l'endroit où des motifs spécifiques apparaissent sur la lame. Ils ont découvert que l'emplacement des cellules à haut risque importe autant que leur nombre. Plus précisément, ils ont constaté que lorsque des amas de cellules à haut risque se regroupent au bord même de la tumeur, là où elle rencontre le tissu sain, le risque de retour du cancer est significativement plus élevé. Cette découverte offre un nouvel outil pour identifier les patientes qui ont réellement besoin d'un traitement plus agressif et celles qui peuvent l'éviter en toute sécurité, tout en utilisant les lames de microscope standards que les hôpitaux possèdent déjà.

Les chercheurs sont partis d'une idée simple : la façon dont une tumeur est organisée dans l'espace détient des secrets qu'un simple score moyen ne peut saisir. Imaginez une tumeur non pas comme un bloc uniforme, mais comme un paysage doté de différents quartiers. Certaines parties peuvent paraître calmes et ordonnées, tandis que d'autres sont chaotiques et agressives. Pendant des années, les modèles d'intelligence artificielle utilisés pour analyser ces lames ont été entraînés à examiner l'image entière et à produire un chiffre unique représentant le risque global. Bien que ces modèles soient puissants, ils lissent souvent les détails, mélangeant les bords chaotiques et les centres calmes en un score unique et dilué. L'équipe derrière cette étude, travaillant avec des données de milliers de patientes à travers la Suède, a émis l'hypothèse que si elles pouvaient cartographier exactement où se trouvaient les parties dangereuses, elles pourraient trouver un signal plus clair. Elles ont concentré leur attention sur le « front invasif », la limite extérieure de la tumeur où les cellules cancéreuses interagissent avec le tissu sain environnant et s'y engouffrent. C'est une zone biologiquement active où les cellules changent souvent de forme pour devenir plus mobiles et invasives.

Pour tester cela, les scientifiques ont utilisé un ensemble massif d'échantillons de tissus provenant de plus de 6 000 femmes atteintes d'un cancer du sein précoce. Ils ont divisé ces patientes en deux groupes : un groupe pour entraîner leurs modèles informatiques et un autre groupe complètement distinct pour tester les résultats, garantissant que les conclusions n'étaient pas le fruit d'un coup de chance. Ils ont utilisé un système d'IA sophistiqué pour diviser chaque lame de microscope en milliers de petits carrés, ou tuiles, et ont analysé la forme et la structure des cellules dans chacune d'elles. L'IA a été entraînée à reconnaître des motifs qui ressemblent à un cancer de haut grade, agressif. Une fois que l'IA a évalué chaque tuile individuelle, les chercheurs ont fait quelque chose de différent des études précédentes. Au lieu de simplement compter le nombre de tuiles à haut risque, ils ont cherché des grappes. Ils ont posé une question spécifique : existe-t-il des groupes de ces tuiles à haut risque assis juste à côté les uns des autres, au bord même de la tumeur ? Ils ont défini un « amas » comme un groupe où au moins les deux tiers des tuiles voisines étaient également à haut risque. Si un tel amas existait au front de la tumeur, la patiente était marquée comme « positive pour l'amas ».

Les résultats ont été frappants. Chez le groupe de patientes dont les tumeurs étaient généralement considérées comme étant à risque faible ou intermédiaire, la présence de ces amas au bord de la tumeur changeait complètement le pronostic. Parmi les patientes présentant ces amas, le risque de récidive du cancer dans les dix ans était significativement plus élevé. En fait, les données ont montré que les patientes présentant ces amas avaient un taux de survie sans récidive à dix ans d'environ 90 %, ce qui est inférieur au taux de 92,6 % observé dans le groupe de référence de Grade 3. D'un autre côté, les patientes ne présentant pas ces amas au bord de la tumeur avaient un excellent pronostic, avec un taux de survie à dix ans de plus de 95 %. Ce groupe de patientes « négatives pour l'amas » se portait aussi bien que celles présentant les tumeurs de plus bas grade, suggérant qu'elles pourraient bénéficier d'une thérapie moins agressive.

Crucialement, ce nouveau marqueur fournissait des informations que le score d'IA standard ne pouvait voir seul. Les chercheurs ont découvert que même parmi les patientes dont les tumeurs étaient classées comme à faible risque par le score d'IA global, celles qui présentaient ces amas spécifiques à la périphérie faisaient tout de même face à un risque de récidive beaucoup plus élevé. Cela signifie que l'arrangement spatial des cellules révélait un danger caché qu'un simple score moyen avait manqué. L'étude a confirmé ces résultats dans un groupe indépendant de patientes d'une région différente de la Suède, prouvant que le résultat n'était pas spécifique à un hôpital ou à un ensemble de lames. La présence de ces amas était liée à une augmentation de près de trois fois du risque de récidive, un signal fort qui restait vrai même lorsque les chercheurs prenaient en compte d'autres facteurs tels que l'âge de la patiente ou la taille de la tumeur.

Ce travail suggère que l'avenir de l'évaluation du risque de cancer réside dans l'examen de la carte d'une tumeur, et non seulement de son score moyen. En préservant l'information spatiale de l'emplacement des cellules à haut risque, les médecins pourraient être en mesure de repérer les patientes qui sont réellement à risque, même si leur tumeur semble principalement inoffensive. Pour les patientes qui ne présentent pas ces amas, la nouvelle est tout aussi importante : elle offre la preuve solide qu'elles appartiennent à un groupe de très faible risque, leur permettant potentiellement d'éviter des traitements inutiles. L'étude ne prétend pas avoir résolu le problème du cancer du sein, mais elle fournit une méthode claire et concrète pour affiner la compréhension du risque par les médecins. Elle montre que dans le paysage complexe d'une tumeur, l'emplacement du danger est tout aussi important que le danger lui-même.