An outcome-blind H&E architecture score is associated with prostate cancer-specific mortality
Cette étude introduit un score d'architecture H&E aveugle au résultat, dérivé de l'apprentissage profond, qui prédit la mortalité spécifique au cancer de la prostate et identifie des sous-groupes à haut risque, incluant ceux avec un score de Gleason de biopsie ≤6, en capturant des caractéristiques indésirables telles que la croissance cribriforme et l'instabilité génomique qui ne sont pas pleinement encodées par le classement standard des grades.
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
Dans le monde des soins contre le cancer, les médecins s'appuient souvent sur un système appelé le Groupe de Grade de Gleason pour juger de la dangerosité d'une tumeur de la prostate. Ce système examine la façon dont les cellules cancéreuses sont disposées sous un microscope et les classe en catégories, allant de faible risque à haut risque. C'est l'outil de référence pour décider qui nécessite un traitement immédiat et qui peut être en sécurité avec une surveillance et une attente. Cependant, ce système présente un angle mort. Il traite toutes les tumeurs au sein d'une même catégorie comme si elles étaient identiques, alors que deux tumeurs portant la même étiquette peuvent être très différentes. L'une peut présenter une petite zone éparpillée de cellules agressives, tandis qu'une autre peut en être saturée, ou contenir des formes spécifiques et dangereuses que l'étiquette standard ne détecte pas. À cause de cela, certains hommes à qui l'on dit que leur cancer est à faible risque pourraient en réalité avoir une maladie plus agressive et cachée qui pourrait devenir fatale.
Une équipe de chercheurs du centre médical Cedars-Sinai a développé une nouvelle façon d'observer ces tumeurs qui va au-delà des étiquettes standards. Ils ont créé un programme informatique qui examine l'architecture réelle des cellules cancéreuses dans un échantillon de tissu, sans jamais regarder le devenir médical du patient ni savoir qui a survécu et qui ne l'a pas fait. En apprenant à l'ordinateur à reconnaître des motifs de croissance cellulaire spécifiques et dangereux, ils ont généré un score qui mesure la charge de ces mauvais motifs. Lorsqu'ils ont testé ce score sur des milliers d'hommes ayant subi une chirurgie pour un cancer de la prostate, ils ont découvert qu'il pouvait prédire qui mourrait de la maladie des décennies plus tard. Crucialement, le score était lié uniquement aux décès dus au cancer de la prostate, et non à d'autres causes de décès, ce qui suggère qu'il mesure quelque chose de spécifique à la tumeur elle-même.
Les chercheurs ont commencé par entraîner leur modèle informatique sur un ensemble d'images de biopsies où des experts humains avaient déjà marqué les différents types de motifs cancéreux. Ils ont appris au système à identifier quatre éléments spécifiques : le tissu normal, un motif à faible risque, un motif à haut risque et une forme particulièrement agressive appelée croissance cribriforme, qui ressemble à un tamis ou à un nid d'abeille. Le système a appris à repérer ces caractéristiques dans de minuscules tuiles de l'image. Une fois entraîné, les chercheurs ont verrouillé les connaissances de l'ordinateur et les ont appliquées à deux grands groupes de patients ayant déjà subi l'ablation de la prostate. Le premier groupe provenait d'une étude de dépistage du cancer à long terme, et le second d'une collection nationale de données sur le cancer. Les chercheurs n'ont pas communiqué à l'ordinateur les temps de survie des patients durant ce processus ; ils ont simplement laissé l'ordinateur noter le tissu en fonction de la quantité d'architecture dangereuse qu'il y voyait.
Les résultats ont été frappants. Dans la grande étude de dépistage, qui a suivi des hommes pendant une moyenne de plus de vingt-deux ans, le score a clairement séparé ceux qui mourraient du cancer de la prostate de ceux qui n'en mourraient pas. Pour chaque étape supplémentaire dans le score, le risque de mourir du cancer de la prostate augmentait de manière significative. Les hommes ayant les scores les plus élevés avaient une probabilité beaucoup plus grande de mourir de la maladie par rapport à ceux ayant des scores faibles. Il est important de noter que le score ne prédisait pas la mort d'autres causes, telles que les maladies cardiaques ou d'autres cancers. Cette spécificité suggère que le score mesure réellement la menace de la tumeur prostatique elle-même, plutôt que de simplement refléter la fragilité générale ou l'âge d'un patient. Même lorsque les chercheurs ont ajusté le grade de Gleason standard et d'autres facteurs cliniques comme l'âge et la taille de la tumeur, le score fournissait toujours des informations précieuses, identifiant un risque que le système standard ne percevait pas.
L'étude a également révélé que ce nouveau score n'est pas une simple répétition de l'ancien système de gradation. Bien qu'il soit lié au grade standard, il capture des détails que le système standard ignore. Par exemple, au sein du groupe d'hommes à qui l'on a dit qu'ils avaient un cancer à faible risque selon leur biopsie, le score a identifié un sous-groupe présentant un risque de mortalité à long terme beaucoup plus élevé. Dans ce groupe à faible risque, ceux ayant les scores les plus élevés présentaient un risque de décès par cancer de la prostate à vingt ans de plus de quatre pour cent, tandis que ceux ayant les scores les plus bas avaient un risque de moins d'un pour cent. Cette découverte suggère que l'ordinateur détecte des caractéristiques agressives cachées dans le tissu qu'un pathologiste humain pourrait omettre lors de l'attribution d'un grade standard. Le score était également capable de décomposer le risque en ses composantes, montrant que tant la quantité de tissu de haut grade que la présence du motif cribriforme en forme de tamis contribuaient indépendamment au danger.
Pour comprendre ce qui se passait biologiquement, les chercheurs ont examiné l'activité génétique dans les tumeurs. Ils ont découvert que les tumeurs avec des scores élevés étaient portées par des gènes associés à une division cellulaire rapide et à l'instabilité génétique, qui sont des signatures de l'agressivité du cancer. Le score était également robuste, ce qui signifie qu'il fonctionnait bien même lorsque les chercheurs l'ont testé avec différents outils de vision par ordinateur, tant que ces outils étaient entraînés sur des images de pathologie. Cependant, lorsqu'ils ont essayé d'utiliser un outil de vision par ordinateur conçu pour des photos générales plutôt que pour des images médicales, le lien avec la survie a disparu. Cela confirme que le score repose sur des connaissances médicales spécifiques de la structure des tissus, et non sur une simple reconnaissance d'image générale.
Les chercheurs reconnaissent que leurs travaux constituent un point de départ. L'étude a été limitée par le nombre de décès dans les groupes analysés, ce qui a rendu certains détails plus fins plus difficiles à établir avec une certitude absolue. Ils ont également noté que le score était dérivé d'un seul bloc de tissu, et que les études futures devront confirmer si cette méthode fonctionne de manière cohérente sur l'ensemble des échantillons de la prostate. Malgré ces limites, l'étude démontre qu'un ordinateur peut apprendre à voir l'architecture subtile et dangereuse du cancer de la prostate d'une manière qui est indépendante du biais humain ou de la connaissance préalable des résultats des patients. En se concentrant sur la forme physique et l'arrangement des cellules, cette nouvelle approche offre un outil potentiel pour identifier les hommes qui présentent un risque plus élevé que ce que leur diagnostic actuel suggère, changeant potentiellement la façon dont les médecins décident qui doit être traité et qui peut être surveillé en toute sécurité.
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.