Mammography-Based Deep Learning Radiomics for Predicting HER2 Expression in Breast Cancer: A Dual-Center Study with Focus on HER2-Low Status
Cette étude multicentrique démontre qu'un modèle de radiomique par apprentissage profond basé sur la mammographie utilisant l'architecture Visformer peut prédire de manière non invasive et fiable tant le statut HER2-positif versus HER2-négatif que le statut HER2-faible versus HER2-zéro chez les patientes atteintes de cancer du sein.
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 reste la malignité la plus fréquente affectant les femmes dans le monde, une maladie où la composition biologique spécifique d'une tumeur dicte la voie à suivre pour le traitement. Parmi les nombreux marqueurs que les médecins examinent pour comprendre une tumeur, l'un appelé HER2 est particulièrement critique. Dans environ un cas sur cinq parmi les nouveaux diagnostics, les cellules cancéreuses portent une abondance de cette protéine, une condition connue sous le nom de HER2-positif. Ces tumeurs ont tendance à croître de manière plus agressive, mais elles répondent également bien à des thérapies ciblées spécifiques conçues pour attaquer cette protéine. Pendant des décennies, l'approche standard pour identifier ces tumeurs a consisté à prélever un petit échantillon de tissu, appelé biopsie, et à l'examiner sous un microscope. Cependant, une nouvelle catégorie a récemment émergé dans la compréhension médicale : le HER2-bas. Ces tumeurs n'ont pas assez de protéines pour être qualifiées de positives, mais elles en possèdent juste assez pour potentiellement répondre à une nouvelle génération de médicaments puissants. Distinguer les tumeurs qui n'ont aucun HER2 de celles qui en possèdent un peu est désormais une question clinique vitale, mais la méthode traditionnelle de test repose sur des procédures invasives qui peuvent parfois passer à côté de la cible en raison de la distribution inégale des cellules au sein d'une tumeur.
Une équipe de chercheurs a entrepris de voir si une approche différente, non invasive, pourrait résoudre ce problème. Ils se sont tournés vers la mammographie, l'imagerie par rayons X standard utilisée pour le dépistage du cancer du sein, qui est largement disponible et familière à la plupart des femmes. Au lieu de s'appuyer uniquement sur l'inspection visuelle d'un radiologue sur l'image, l'équipe a appliqué une technique appelée radiomique par apprentissage profond (deep learning). Ce processus consiste à injecter les images de mammographies numériques dans un système informatique capable de détecter des motifs et des textures subtils, trop fins pour l'œil humain. Les chercheurs voulaient savoir si ces signatures numériques cachées pouvaient prédire le statut HER2 d'une tumeur avant toute chirurgie ou biopsie. Ils se sont concentrés sur deux défis spécifiques : premièrement, distinguer les tumeurs qui sont HER2-positives de celles qui ne le sont pas, et deuxièmement, séparer le groupe nouvellement important du HER2-bas de celui ayant une expression nulle de HER2.
Pour tester leur idée, les chercheurs ont rassemblé des données provenant de 546 femmes présentant un cancer du sein confirmé dans deux centres médicaux différents. Ils ont divisé les patientes en groupes pour entraîner leurs modèles informatiques puis pour les tester, garantissant ainsi que les résultats ne soient pas simplement le fruit d'un coup de chance sur un seul ensemble de données. Le système informatique a analysé les mammographies, extrayant des milliers de détails numériques infimes sur la forme, la texture et la densité des tumeurs. En combinant les prédictions de plusieurs modèles mathématiques différents, l'équipe a créé un outil unique et robuste conçu pour rendre la décision finale. Les résultats ont montré que cette approche numérique pouvait effectivement « voir » la différence. En tentant de distinguer les tumeurs HER2-positives du reste, le modèle a performé avec un haut degré de précision lors de ses tests initiaux, et bien que sa performance ait légèrement chuté lorsqu'il a été testé sur un groupe de patientes totalement nouveau provenant d'un autre hôpital, il a tout de même maintenu une capacité fiable à distinguer les groupes.
Les conclusions ont été encore plus encourageantes lorsque l'équipe s'est concentrée sur la tâche difficile de séparer les tumeurs HER2-basses de celles sans aucun HER2. Lors de la phase d'entraînement initiale, le modèle a été très performant, et il a tenu bon de manière raisonnable lorsqu'il a été appliqué au groupe externe de patientes. L'étude a également examiné les facteurs traditionnels utilisés par les médecins pour évaluer le risque, tels que la taille de la tumeur, l'âge de la patiente et la densité du tissu mammaire. Ils ont confirmé que certaines caractéristiques, comme un grade élevé des cellules tumorales et un taux de division cellulaire rapide, étaient fortement liées au statut HER2-positif. De même, ils ont découvert que le statut des récepteurs hormonaux et la densité mammaire jouaient un rôle dans l'identification du HER2-bas. Cependant, la capacité du modèle informatique à prédire ces statuts directement à partir des images de rayons X offrait une nouvelle couche de compréhension qui ne dépendait pas de ces autres variables seules.
Les chercheurs ont reconnu que leur travail comporte des limites. Comme l'étude a examiné des dossiers de patientes passés plutôt que de suivre de nouvelles patientes dans le temps, il existe une possibilité que la sélection des données ait introduit un biais. Le détourage manuel des zones tumorales sur les rayons X par des radiologues signifie également que le processus n'est pas encore entièrement automatisé. De plus, le nombre de patientes, bien que substantiel, n'était pas assez grand pour garantir que les résultats seraient vrais pour chaque scénario possible. Malgré ces limites, l'étude suggère que la mammographie, souvent perçue simplement comme un outil de détection du cancer, pourrait également servir de fenêtre puissante sur la nature moléculaire de la maladie. En offrant un moyen non invasif d'estimer le statut HER2, cette approche pourrait un jour aider les médecins à prendre des décisions plus éclairées concernant les plans de traitement, réduisant potentiellement le besoin de biopsies répétées et garantissant que les patientes reçoivent les thérapies ciblées appropriées plus tôt. Ce travail ne prétend pas remplacer l'étalon-or actuel du test tissulaire, mais il pointe vers un avenir où l'imagerie et l'intelligence artificielle travaillent ensemble pour fournir une image plus claire et plus complète de la maladie avant qu'une seule aiguille ne soit utilisée.
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.