Application of H&E images combined with gene expression data-driven multimodal deep learning models in gastric cancer prognosis

Le cancer gastrique, souvent appelé cancer de l'estomac, demeure l'un des défis sanitaires les plus redoutables à travers le monde, fauchant chaque année des centaines de milliers de vies. Depuis des décennies, les médecins s'appuient sur un système appelé stadification TNM pour prédire l'évolution d'un patient. Ce système agit comme une carte, traçant la taille d'une tumeur et son étendue vers les ganglions lymphatiques voisins ou les organes distants. Bien que cette carte soit essentielle, elle est également incomplète. Elle décrit l'étendue physique de la maladie mais omet souvent la personnalité biologique unique du cancer lui-même. Deux patients présentant des tumeurs de même taille et de même localisation peuvent avoir des issues très différentes car leurs cancers se comportent différemment au niveau microscopique. Pour combler cette lacune, les scientifiques se tournent vers deux sources d'informations puissantes qui ont traditionnellement été gardées séparées : les motifs visuels observés sous un microscope et les instructions moléculaires écrites à l'intérieur des cellules. L'une de ces sources est la lame H&E, une lame de verre standard où une fine coupe de tissu est colorée avec des teintures roses et violettes pour révéler la forme et l'arrangement des cellules. L'autre est la donnée d'expression génique, un relevage numérique indiquant quels gènes sont actifs au sein de la tumeur, agissant comme une empreinte digitale moléculaire. Le défi a été de combiner ces deux types d'informations très différents — images et chiffres — en une image unique et cohérente capable de dire à un médecin à quel point le cancer d'un patient spécifique est susceptible d'être dangereux.

Dans une étude récente, des chercheurs de l'hôpital affilié de l'université de Qinghai ont relevé ce défi en construisant un nouveau type de modèle informatique conçu pour apprendre simultanément des mondes visuel et moléculaire. Ils ont nommé leur création PGC-pro, un système qui ne se contente pas d'étudier la forme d'une tumeur ou ses gènes de manière isolée, mais étudie comment ils communiquent entre eux. L'équipe a commencé avec les données de 318 patients traités pour un cancer de l'estomac. Pour chaque patient, ils ont recueilli trois éléments : un scan numérique de l'intégralité de la lame de la tumeur, une liste de l'activité de milliers de gènes dans cette tumeur, et l'historique clinique du patient, incluant l'âge et le stade de la maladie. Les chercheurs ont d'abord appris à l'ordinateur à reconnaître les parties les plus importantes des images microscopiques. En utilisant une méthode qui imite la façon dont un pathologiste examine une lame, le système a appris à ignorer les espaces vides pour se concentrer sur les zones encombrées où les cellules cancéreuses envahissent les tissus normaux. Simultanément, l'ordinateur a passé au crible les données génétiques pour trouver les gènes spécifiques les plus fortement liés à la survie des patients, réduisant des milliers de possibilités à un groupe central de 150 gènes qui comptaient réellement.

L'innovation fondamentale de ce travail réside dans la manière dont l'ordinateur connecte ces deux flux d'informations. Au lieu de simplement empiler les données d'image à côté des données de gènes, le modèle utilise un mécanisme qui permet aux deux de se poser des questions mutuellement. Imaginez que les données d'image demandent aux données de gènes : « Quels changements moléculaires se produisent dans ce groupe spécifique de cellules ? », tandis que les données de gènes demandent aux données d'image : « À quoi ressemble le tissu là où ces gènes sont les plus actifs ? ». Cet échange de questions-réponses permet au modèle de trouver des connexions profondes que ni l'un ni l'autre ne pourrait voir seul. Par exemple, le modèle peut apprendre qu'un arrangement cellulaire particulièrement désordonné dans l'image est presque toujours associé à un niveau élevé d'activité de certains gènes, et que cette combinaison spécifique est un signe d'alerte majeur pour un pronostic défavorable. En intégrant ces indices visuels et moléculaires avec l'âge du patient et le stade de la maladie, le modèle génère un score de risque unique pour chaque personne.

Les résultats de cette approche étaient clairs et mesurables. Lorsque les chercheurs ont testé le modèle sur les données des patients, il s'est avéré nettement meilleur pour prédire la survie que toute méthode n'utilisant qu'un seul type d'information. Un modèle regardant uniquement les gènes pouvait prédire les issues avec un certain niveau d'exactitude, et un modèle regardant uniquement les images faisait légèrement moins bien, mais le modèle combiné surpassait les deux. Le système a atteint un score indiquant une haute capacité à classer correctement les patients par risque de décès, un chiffre qui augmentait notablement lorsque les trois sources de données étaient utilisées ensemble. Plus important encore, le modèle n'agissait pas comme une « boîte noire » mystérieuse qui donne une réponse sans explication. Les chercheurs ont intégré des outils permettant de voir exactement ce que l'ordinateur observait. Ils pouvaient générer des cartes de chaleur montrant les parties de la lame tumorale sur lesquelles le modèle se concentrait, et ces cartes mettaient systématiquement en évidence les bords de la tumeur où elle envahit les tissus sains, ainsi que les zones de cellules mortes. Ils pouvaient également voir quels gènes dictaient la prédiction, identifiant les marqueurs moléculaires spécifiques que le modèle avait appris comme étant critiques. Cette transparence est vitale, car elle permet aux médecins de faire confiance au jugement de l'ordinateur en voyant l'évidence biologique derrière celui-ci.

L'étude a également testé la capacité du modèle à effectuer des prédictions au fil du temps. Il a réussi à estimer les probabilités de survie à un, trois et cinq ans, maintenant sa précision à travers ces différents intervalles de temps. Lorsque les patients ont été répartis en groupes à haut risque et à faible risque sur la base des scores du modèle, la différence dans leurs taux de survie réels était flagrante et statistiquement significative, confirmant que le modèle pouvait effectivement distinguer ceux qui allaient probablement bien de ceux qui ne le seraient pas. Les chercheurs ont noté que, bien que le modèle soit performant, il avait été entraîné sur une base de données unique de dossiers de patients, et que sa capacité à fonctionner sur des patients provenant d'hôpitaux ou de régions différents doit encore être testée. Ils ont également reconnu que les images utilisées présentaient parfois des imperfections, comme une coloration inégale, ce qui pourrait affecter la vision de l'ordinateur. Malgré ces limites, ce travail démontre que la combinaison de l'histoire visuelle d'une tumeur avec son histoire moléculaire crée un outil bien plus puissant pour comprendre la maladie. En prouvant que ces différents types de données peuvent être tissés ensemble pour révéler une image plus claire de l'avenir, cette recherche offre une voie prometteuse vers des soins plus personnalisés et plus précis pour les patients confrontés au cancer gastrique.