Prediction of HER2 FISH result from registered H&E and IHC slides in breast cancer
Cette étude démontre qu'un modèle d'apprentissage profond multimodal, entraîné sur des lames appariées et enregistrées H&E et IHC, peut prédire avec précision les résultats de la FISH HER2, éliminant potentiellement la nécessité de tests FISH coûteux dans environ un tiers des cas de cancer du sein équivoques.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le cancer du sein n'est pas une maladie unique, mais un ensemble de différentes conditions, chacune étant dictée par des signaux moléculaires uniques qui déterminent la façon dont la tumeur croît et la manière dont elle doit être traitée. L'un des signaux les plus critiques à identifier est une protéine appelée HER2. Lorsque cette protéine est présente en grande quantité, elle agit comme une pédale d'accélérateur pour le cancer, provoquant une croissance rapide. Heureusement, les médecins ont développé des thérapies ciblées capables d'éteindre cette pédale d'accélérateur, mais ces traitements ne fonctionnent que si le cancer du patient possède réellement le signal HER2. Pour le savoir, les pathologistes examinent des échantillons de tissus sous un microscope. Ils examinent d'abord une lame colorée standard, qui montre la forme générale des cellules, puis ils utilisent souvent une coloration chimique spéciale pour mettre en évidence la protéine HER2 elle-même. Si les niveaux de protéines sont clairement élevés ou clairement bas, le diagnostic est direct. Cependant, environ un patient sur sept se trouve dans une zone grise où les niveaux de protéines sont ambigus. Pour ces patients, la norme de soins exige un troisième test, plus complexe, qui utilise la lumière pour compter les gènes réels à l'intérieur des cellules. Ce test supplémentaire est coûteux, chronophage et n'est pas accessible à tout le monde, particulièrement dans les régions disposant de moins de ressources médicales.
Une équipe de chercheurs venant d'Israël, du Portugal et des États-Unis a exploré un moyen de contourner cette troisième étape difficile pour de nombreux patients. Ils se sont demandé si un ordinateur, entraîné sur des milliers d'images de microscopes, pouvait examiner la lame de tissu standard et la coloration spéciale des protéines ensemble pour prédire le résultat du test génique complexe. Pour ce faire, ils ont d'abord dû résoudre un puzzle physique : les deux lames proviennent du même morceau de tissu mais sont coupées à des moments différents et colorées différemment, ce qui signifie qu'elles ne s'alignent pas parfaitement. Les chercheurs ont développé une méthode pour aligner numériquement ces deux images, en faisant correspondre les motifs spécifiques des cellules sur une lame aux motifs correspondants sur l'autre. Ils ont ensuite injecté ces paires alignées dans un système d'apprentissage profond, un type d'intelligence artificielle qui apprend en analysant de vastes quantités de données visuelles. Le système a été entraîné pour reconnaître les indices visuels subtils dans le tissu qui indiquent si les cellules cancéreuses sont susceptibles d'avoir l'amplification génique que le test complexe détecte habituellement.
L'étude, qui a analysé les données de près de 1 500 patients, a révélé que cette approche combinée fonctionne avec une précision remarquable. Lorsque les chercheurs ont testé le système sur des cas où la coloration initiale des protéines était ambiguë, le modèle informatique a été capable de prédire le résultat du test génique avec un haut degré de certitude. Dans environ un tiers de ces cas difficiles, le modèle était si confiant dans sa prédiction qu'il pouvait effectivement écarter la nécessité du test génique coûteux. Pour environ huit pour cent de ces cas ambigus, le modèle était certain que le cancer était positif pour le gène, et pour vingt et un pour cent d'autres, il était certain que le cancer était négatif. Dans ces groupes spécifiques, les prédictions du modèle étaient si fiables qu'elles correspondaient parfaitement au test de référence lors de la validation de l'étude. Cela suggère que, pour une partie importante des patients, le test génique complexe pourrait être sauté sans compromettre l'exactitude du diagnostic.
Les chercheurs ont également comparé leur nouvelle méthode à l'utilisation de la seule coloration des protéines ou de la seule lame de tissu standard. Ils ont constaté que, bien que la coloration des protéines seule soit bonne, l'ajout de la lame de tissu standard améliorait considérablement les résultats. La lame standard fournissait un contexte, aidant l'ordinateur à se concentrer spécifiquement sur les zones cancéreuses et à ignorer les tissus sains environnants, ce qui menait à de meilleures prédictions. L'étude suggère que cette technologie pourrait être un outil de triage puissant, aidant les médecins à décider quels patients ont réellement besoin du test génique coûteux et lesquels peuvent être traités sur la base des images plus simples. Cela pourrait être particulièrement précieux dans les pays où le test complexe est difficile à obtenir, permettant potentiellement à plus de patients de recevoir le traitement salvateur approprié plus rapidement.
Cependant, les auteurs prennent soin de noter que ceci n'est pas un remplacement du test génique dans toutes les situations. Le modèle fait encore des erreurs dans un petit nombre de cas, et il n'a pas été conçu pour détecter les niveaux très bas de la protéine qui deviennent pertinents pour de nouveaux traitements. L'étude a été menée sur un ensemble de données spécifique, et les chercheurs reconnaissent que le système doit être testé dans d'autres hôpitaux et avec différents groupes de patients avant de pouvoir être largement adopté. Ils soulignent également que leur méthode nécessite actuellement qu'un humain marque quelques points sur les lames pour aider l'ordinateur à les aligner, une étape qui est en cours de perfectionnement pour devenir entièrement automatique. Malgré ces limites, ce travail démontre que la combinaison de deux types courants d'images de microscopes avec l'intelligence artificielle peut extraire des informations qui étaient auparavant considérées comme nécessitant une procédure beaucoup plus complexe et coûteuse.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.