Déterminer les causes et l’évolution des maladies
La pathologie consiste à examiner la cause de la maladie, son évolution, ses effets sur les cellules et d’effectuer un pronostic. Il y a trois branches de la pathologie.
- La pathologie anatomique correspond à l’examen de spécimens chirurgicaux prélevés sur le corps. Elle comprend l’analyse de l’aspect microscopique des cellules, des marqueurs immunologiques présents dans les cellules.
- La pathologie clinique correspond à l’analyse en laboratoire des fluides corporels (tels que le sang, l’urine ou le liquide céphalorachidien) et des tissus corporels pour le diagnostic de la maladie.
- La pathologie moléculaire regroupe des analyses issues de technologies de pointe permettant de déterminer les caractéristiques moléculaires des tumeurs et d’en préciser le diagnostic, le pronostic et la réponse à des thérapies ciblées. L’analyse des acides nucléiques (ADN ou ARN) extraits des tissus cancéreux fait partie de ces analyses qui constitue la médecine de précision.
Diagnostiquer le cancer du sein
PathAI , une entreprise de biotechnologie située à Boston, a participé au challenge CAMELYON16 , dont le but était le développement d’algorithmes pour la détection et la classification automatisées des métastases du cancer du sein à partir de diapositives entières de coupes histologiques de ganglions lymphatiques.
PathAI a développé un modèle qui produit en sortie une carte de chaleur sur certaines parties des diapositives “Tumor Probability Map”. Un système mis à disposition des pathologistes qui peuvent confirmer ou non l’évaluation de l’algorithme en regardant les zones mis en avant par le modèle.
Les résultats du modèle développé ont surpassé les performance des médecins.
Mieux sélectionner les candidats à l’immunothérapie
L’analyse de 19 études internationales menées sur 11.640 patients atteints par différents types de cancers montre que 25% de ceux traités par immunothérapie ont présenté une «réponse durable», contre seulement 11% chez ceux qui ont reçu une autre famille de traitements (chimiothérapie ou thérapie ciblée).
Parmi les patients traités par immunothérapie, 30% ont par ailleurs eu une survie globale plus de deux fois plus longue que la moyenne de tous les patients, contre 23% chez ceux traités par d’autres médicaments. Cependant ces traitements ne fonctionnent que sur 20 % des malades. Les chercheurs cherchent à mieux sélectionner les candidats à l’immunothérapie.
Les cellules tumorales peuvent échapper aux réponses du système immunitaire contre les tumeurs en exprimant à leur surface une protéine appelée PD-L1. PD-L1 agit en se liant à des récepteurs appelés PD-1 et B7.1 situés sur les lymphocytes T. La liaison de PD-L1 avec l’un ou l’autre de ces récepteurs conduit à l’inactivation des lymphocytes T.
Cette liaison entre PD-L1 et ses récepteurs constitue une cible thérapeutique intéressante pour l’immuno-oncologie. En effet, le blocage de la protéine PD-L1 peut empêcher les cellules cancéreuses d’inactiver les lymphocytes T par le biais des récepteurs PD-1 et B7.1.
Les chercheurs ont montré que plus la tumeur d’un patient exprime la protéine PD-L1 plus il a des chances d’être un bon candidat à l’immunothérapie
PathAI a collecté des dizaines de milliers d’exemples pour former un classificateur qui évalue automatiquement l’expression de PD-L1 sur des tissus cancéreux. Une fois entraîné, le modèle a été appliqués à deux essais cliniques sur le mélanome commandités par l’entreprise pharmaceutique Bristol Myers Squibb.
Etablir des phénotypes moléculaires des tumeurs
The Cancer Genome Atlas Program (TCGA) a généré plus de 2,5 pétaoctets de données génomiques, épigénomiques, transcriptomiques et protéomiques. Ces données sont en libre accès et peuvent être utilisées par tous les membres de la communauté de chercheurs.
En août 2020, les chercheurs de PathAI ont utilisé 5700 images et 1,6 millions d’annotations mis à disposition par TCGA . Les images de quatre cancers (mélanome cutané, adénocarcinome de l’estomac, cancer du sein, adénocarcinome du poumon) servent à entraîner deux réseaux neuronals convolutifs (CNN)-étape 1.
Les prédictions effectuées permettent d’extraire 607 caractéristiques appelées HIFs (human-interpretable image features)qui rescencent les propriétés spécifiques et biologiquement pertinentes des tumeurs-étape 2.
Ces HIFs en input d’algorithmes de machine learning permettent de prédire la présence de molécules PD-1, PD-L1, CTLA-4, TIGIT et HRD dans les tumeurs analysées de ces quatre cancers. Ces prédictions permettent de développer des traitements spécifiques et de vérifier l’élégibilité des patients à l’immunothérapie-étape3.
Cet article a été rédigé à partir de ces ressources
Machine Learning for Pathology — MIT 6.S897 Machine Learning for Healthcare, Spring 2020
