PathVista Integrates Cellular Foundation Models with Multiscale Histopathology for Colorectal Cancer Prognosis and Molecular Stratification

Dans la lutte contre le cancer, les médecins s'appuient depuis longtemps sur un microscope pour voir l'ennemi. Ils observent de fines coupes de tissu, colorées avec des teintures violettes et roses, pour repérer les cellules anormales et évaluer l'agressivité d'une tumeur. Cette méthode, connue sous le nom d'histopathologie, est la norme de soin depuis des décades. Cependant, une seule lame contient des millions de cellules, et l'œil humain ne peut se concentrer que sur une petite fraction d'entre elles à la fois. Bien qu'un pathologiste puisse voir la forme générale d'une tumeur, les interactions subtiles entre les cellules individuelles et leur environnement immédiat restent souvent cachées. Ces détails minuscules — l'arrangement spécifique d'une cellule cancéreuse à côté d'une cellule immunitaire, ou la forme précise d'un noyau — peuvent détenir la clé pour prédire si un patient survivra ou si la maladie reviendra. Pendant des années, les ordinateurs ont tenté d'aider en analysant ces images, mais ils regardaient souvent les tissus par larges zones floues, manquant les détails fins qui rendent chaque cellule unique.

Une nouvelle étude présente un système appelé PathVista, conçu pour changer la façon dont les ordinateurs lisent ces cartes microscopiques. Au lieu de scruter de larges sections de tissu floues, ce système zoome pour examiner d'abord les cellules individuelles, apprenant un « vocabulaire » de formes et de comportements cellulaires à partir de plus de 160 millions d'exemples. Il prend ensuite du recul pour voir comment ces cellules s'intègrent dans le paysage tissulaire plus vaste. En combinant l'histoire de la cellule individuelle avec l'histoire du quartier où elle vit, PathVista crée une image beaucoup plus claire de la véritable nature de la tumeur. Les chercheurs ont testé cette approche sur des milliers de patients atteints de cancer colorectal, le troisième cancer le plus courant au monde, et ont découvert que cette vision centrée sur la cellule pouvait prédire la survie et identifier des mutations génétiques spécifiques avec une précision remarquable, surpassant souvent les méthodes existantes.

Les chercheurs ont commencé par apprendre à un ordinateur à reconnaître les cellules sans lui dire quoi chercher. Ils ont nourri le système de millions d'images de cellules individuelles provenant de tissus de cancer colorectal. L'ordinateur a appris à regrouper les cellules d'apparence similaire, créant une bibliothèque mentale de types cellulaires basée uniquement sur leur apparence visuelle. Ce processus, appelé apprentissage auto-supervisé, a permis au système de découvrir des motifs que l'œil humain pourrait manquer, tels que de subtiles variations de la taille des cellules ou la manière dont les cellules s'agglutinent. Une fois que l'ordinateur a maîtrisé ce vocabulaire cellulaire, les chercheurs ont construit PathVista pour l'utiliser. Pour chaque nouvelle lame de patient, le système identifie et analyse d'abord chaque cellule individuelle, capturant leurs caractéristiques uniques. Il examine ensuite la structure tissulaire plus large pour comprendre le contexte. Enfin, il fusionne ces deux vues, créant un rapport complet qui reflète à la fois les détails microscopiques et l'architecture macroscopique de la tumeur.

Lorsqu'il a été testé sur un large groupe de 2 568 patients atteints de cancer colorectal, PathVista a prouvé sa valeur. Le système a généré un score de risque pour chaque patient qui prédisait fortement ses chances de survie. Les patients classés comme à haut risque par le système présentaient un risque de décès nettement plus élevé dans les cinq ans par rapport à ceux classés comme à faible risque. La différence était frappante : le risque de décès pour le groupe à haut risque était plus de six fois supérieur à celui du groupe à faible risque. Cette prédiction restait vraie même lorsque les chercheurs tenaient compte d'autres facteurs connus tels que la taille de la tumeur, l'atteinte des ganglions lymphatiques et l'âge du patient. En fait, le score de risque de l'ordinateur fournissait des informations plus cohérentes sur la survie que de nombreux facteurs cliniques traditionnels utilisés actuellement par les médecins. Le système a également prédit avec succès la durée pendant laquelle les patients resteraient exempts de la maladie après le traitement et la probabilité de récidive.

Pour s'assurer que le système ne faisait pas que mémoriser les images spécifiques sur lesquelles il avait été entraîné, les chercheurs l'ont testé sur deux groupes de patients complètement différents provenant d'autres hôpitaux et bases de données. Même avec des méthodes de préparation de tissus et des données démographiques de patients différentes, PathVista a maintenu sa capacité à séparer les patients à haut risque des patients à faible risque. Dans un groupe externe, le système a correctement identifié les patients à haut risque qui présentaient un risque de décès beaucoup plus élevé, avec un ratio de risque de près de trois fois supérieur à celui du groupe à faible risque. Dans une autre grande base de données, le ratio de risque était encore plus élevé, dépassant les cinq fois. Ces résultats suggèrent que le système a appris des vérités biologiques fondamentales sur l'apparence des tumeurs agressives sous un microscope, plutôt que de simplement mémoriser les particularités d'un ensemble de données spécifique.

Au-delà de la prédiction de la survie, PathVista a montré qu'il pouvait également agir comme un détective pour des mutations génétiques spécifiques. Le cancer colorectal est piloté par différentes erreurs génétiques, et savoir lesquelles sont présentes est crucial pour choisir le bon traitement. Le système a pu identifier les tumeurs présentant une instabilité génétique spécifique appelée instabilité des microsatellites avec une grande précision, les signalant correctement dans plus de 90 % des cas. Cela est vital car les patients présentant cette mutation spécifique répondent souvent bien à l'immunothérapie. Le système a également bien performé dans l'identification des tumeurs présentant une mutation spécifique du gène BRAF, qui est associée à un pronostic plus sombre et nécessite des thérapies ciblées différentes. Bien qu'il ait été moins efficace pour détecter une autre mutation courante appelée KRAS, sa capacité à détecter les deux autres suggère que ces changements génétiques laissent des empreintes visuelles distinctes sur le tissu que l'ordinateur peut apprendre à lire.

L'étude a également exploré si cette approche axée sur la cellule pouvait fonctionner pour d'autres types de cancer. Les chercheurs ont appliqué le même système, entraîné sur le cancer colorectal, à des échantillons de cancer du poumon et du sein. Étonnamment, le système a conservé sa capacité à prédire les résultats et à classifier les types de tumeurs dans ces organes différents. Cela indique que les manières fondamentales dont les cellules se comportent lorsqu'elles deviennent cancéreuses — comment elles se divisent, comment elles interagent avec les cellules immunitaires et comment elles s'organisent — sont partagées entre différents types de cancer. Le système a appris un langage universel de l'agressivité cellulaire qui s'applique au-delà du côlon.

Enfin, les chercheurs ont regardé à l'intérieur du système pour comprendre ce qu'il voyait réellement. Ils ont découvert que l'ordinateur prêtait le plus d'attention aux zones du tissu où les cellules se divisent rapidement, là où les vaisseaux sanguins se forment et là où les niveaux d'oxygène sont bas — des signes distinctifs de cancer agressif. À l'inverse, chez les patients qui survivaient plus longtemps, le système se concentrait sur les zones riches en cellules immunitaires, qui sont connues pour combattre la tumeur. Cet alignement entre l'attention de l'ordinateur et les connaissances biologiques établies donne aux médecins la confiance que le système ne trouve pas seulement des motifs aléatoires, mais identifie réellement les moteurs biologiques de la maladie.

Ces découvertes offrent une nouvelle perspective sur la façon dont nous pouvons utiliser les images médicales de routine. En traitant chaque cellule comme une donnée unique et en comprenant sa place dans l'écosystème tissulaire plus large, PathVista transforme une lame de microscope standard en une source riche d'informations pronostiques. Bien que le système ne soit pas un remplacement pour les tests génétiques, il constitue un outil puissant et accessible qui pourrait aider les médecins à identifier les patients à haut risque plus tôt et à adapter les traitements plus efficacement. L'étude démontre que les réponses à certaines des questions les plus difficiles des soins contre le cancer sont déjà présentes dans les échantillons de tissus que nous observons depuis des décennies ; nous avions simplement besoin d'une nouvelle façon de les voir.