Intelligence Artificielle : Une Révolution dans la Résection des Gliomes !

Résumé de l’article

Une nouvelle technologie d’intelligence artificielle, baptisée FastGlioma, a été entraînée à partir d’un ensemble de données provenant de 13 centres médicaux et incluant des données d’imagerie de plus de 3 000 patients. Les résultats des tests de cette IA ont révélé une zone sous la courbe (AUC) de 92,1 % pour la différenciation des quatre degrés d’infiltration des gliomes. Les neurologues affirment qu’il est désormais possible de mesurer le pourcentage de la masse tumorale dans chaque région des tissus échantillonnés.

L’utilisation de l’intelligence artificielle (IA) pour évaluer rapidement le tissu cérébral en cours d’opération pourrait potentiellement améliorer l’exhaustivité de la résection des gliomes, comme l’indiquent des résultats publiés le 13 novembre dans Nature.

Cette approche, connue sous le nom de FastGlioma, a surpassé les méthodes standard lors d’études de simulation, notamment en matière de résection de tout le tissu tumoral. Des plans de essais cliniques sont déjà envisagés, a précisé les chercheurs dirigés par Shawn Hervey-Jumper, MD, professeur de neurochirurgie à l’Université de Californie, San Francisco.

Bien qu’il soit crucial de réduire au maximum la masse tumorale résiduelle pour l’issue clinique des patients, y compris la qualité de vie et la survie à long terme, les taux de résidus tumoraux après chirurgie n’ont pas évolué ces dernières décennies.

« Les cellules gliales et les gliomes se ressemblent presque identiquement, ce qui rend presque impossible la délimitation des marges à identifier », a déclaré le Dr Hervey-Jumper.

Avec l’IA, le chirurgien prélève des échantillons à la marge chirurgicale, qui sont ensuite imagés à l’aide d’un système d’histologie Raman stimulée (SRH) portable. Ce procédé implique le passage de la lumière à travers le spécimen, ce qui entraîne une diffusion de la lumière. Cette diffusion est ensuite convertie en image. Ces images peuvent être produites en mode haute résolution, prenant environ 100 secondes, ou en mode rapide, une option de moindre résolution qui ne nécessite qu’environ 10 secondes.

L’algorithme d’IA a été formé à partir d’un jeu de données provenant de 13 centres médicaux et incluant des données d’imagerie sur divers types de cancers, ainsi qu’un ensemble de données plus petit annoté par trois neuropathologistes, qui ont évalué les images SRH de 0 à 3, représentant respectivement l’absence de tumeur et une infiltration tumorale dense, et avec des marqueurs tumoraux comme p53 indiqués par coloration au bleu de toluidine.

« Avec la vérité de terrain superposée à l’imagerie histologique Raman stimulée pixel par pixel, nous pouvons alors quantifier le pourcentage de la masse tumorale dans chacune de ces régions », a expliqué le Dr Hervey-Jumper.

En analysant 767 spécimens de tissus mutés IDH, indiquant un tissu gliomateux, et 659 tissus de type sauvage, issus d’un total de 220 patients, le modèle FastGlioma entraîné et affiné avait une AUC de 92,1 % pour différencier les quatre degrés d’infiltration du gliome, en corrélant fortement avec les étiquettes véridiques générées par l’évaluation des neuropathologistes, avec un coefficient de corrélation de 0,77 (IC à 95 % = 0,74 – 0,78).

Par ailleurs, les chercheurs ont constaté que le modèle utilisait l’imagerie en mode rapide, dix fois plus rapide que le mode haute résolution, sans réduction significative de la précision clinique.

Les chercheurs ont simulé un essai clinique interventionnel avec des résections chirurgicales guidées par les prédictions de FastGlioma, comparées aux méthodes traditionnelles : chirurgie guidée par imagerie avec IRM et chirurgie guidée par fluorescence à l’acide 5-aminolévulinique (5-ALA), qui ont toutes deux démontré une réduction des tumeurs résiduelles postopératoires.

Sur 129 patients et 624 spécimens, les chercheurs ont évalué les deux groupes sur leur capacité à différencier un score de 0, pour le tissu cérébral normal, et de 3, pour une infiltration tumorale dense. Ils ont qualifié les erreurs dans cette tâche d’« erreurs à haut risque » en raison de leur nature décisive, où le signal de tissu normal indique d’arrêter la résection, tandis qu’une infiltration dense signale de continuer, si considérée comme sécuritaire.

FastGlioma a enregistré une AUC de 98,1 % pour cette tâche, contre 76,3 % pour la positivité FLAIR sur IRM, 71,8 % pour l’amélioration du contraste sur IRM, et 89,0 % pour la fluorescence 5-ALA. Les chercheurs ont également constaté que FastGlioma distinguait avec précision entre l’infiltration tumorale et l’œdème cérébral dans les zones FLAIR-positives, ce qui peut poser problème lors de la chirurgie des gliomes, avec une AUC de 98,7 %.

Ils ont constaté que 3,8 % des patients dans le groupe FastGlioma avaient au moins une tumeur « manquée » à haut risque, contre 24 % pour le groupe témoin, ce qui signifie que les patients de ce dernier groupe ont un risque potentiellement 6,3 fois plus élevé de laisser derrière eux une tumeur dense et facilement résectable après la chirurgie.

« Pour la première fois, nous avons une mesure précise, une variable continue, du pourcentage de la masse tumorale dans chaque région de tissus échantillonnés », a confirmé le Dr Hervey-Jumper. « Contrairement à un humain, qui a besoin d’images de très bonne qualité pour définir les choses, vous pouvez dégrader les images et le classificateur fonctionnera toujours avec la même précision. »

Cependant, le fonctionnement exact du modèle demeure obscur pour l’instant.

« Que voit-il ? Il est impossible de répondre à cette question pour le moment », a indiqué le Dr Hervey-Jumper.

Le codage du modèle a été rendu accessible dans l’article de Nature, mais il n’a pas encore reçu l’approbation de la FDA pour son utilisation décisionnelle en chirurgie.

Des préparatifs pour des essais humains sont en cours, mais il faudra probablement attendre au moins deux ans avant d’obtenir des résultats, a-t-il ajouté.

Résoudre un défi persistant

Jordina Rincon-Torroella, MD, professeur assistant de neurochirurgie à l’École de Médecine de Johns Hopkins, a suggéré que ces conclusions pourraient constituer un premier pas vers la résolution d’un défi persistant.

« Dans cet effort multi-institutionnel, les auteurs sont à féliciter pour leurs avancées sur l’une des questions critiques restantes en neurochirurgie des gliomes : la distinction entre le tissu cérébral sain et l’infiltration des gliomes au niveau des marges tumorales », a-t-elle précisé. « Avec leur équipe multidisciplinaire, Kondepudi et al. ont conçu et testé une plateforme pour une identification pathologique rapide et fiable de la tumeur par rapport au tissu normal aux marges tumorales. »

Si cette approche se révèle efficace, elle pourrait apporter des changements significatifs dans les résections de gliome.

« Si cette méthode est couronnée de succès, elle pourrait transformer le traitement des biopsies cérébrales pendant la chirurgie et améliorer l’orientation chirurgicale ainsi que les résultats pour les patients », a-t-elle ajouté. « À mesure que nous explorons davantage le rôle de l’IA dans la médecine, celle-ci pourrait détenir la clé pour résoudre des problèmes médicaux complexes, comme celui abordé dans cette étude, et offre un avenir prometteur pour les soins de santé. Des ensembles de données importants et la collaboration entre institutions sont essentiels pour mener des études comme celle-ci et confirmer ses résultats et sa pertinence. »

Rohan Ramakrishna, MD, professeur de neurochirurgie à Weill Cornell Medicine, a salué ce travail tout en évoquant plusieurs réserves.

« En général, il s’agit d’une prouesse scientifique remarquable, et les auteurs méritent des félicitations pour leurs efforts », a-t-il déclaré. « Au bout du compte, les indicateurs les plus importants sont la survie globale et la morbidité liée à l’intervention chirurgicale. Ce qui reste à prouver, c’est si cette approche modifie de manière significative la survie de cette population de patients. »

Une limitation pratique, a-t-il souligné, réside dans la fréquence et la couverture nécessaire des échantillons à prélever dans la cavité tumorale pour être certain de ne laisser que très peu de tumeur résiduelle. Pour une tumeur de 5 cm ayant une surface d’environ 80 centimètres carrés et une lame d’un centimètre carré, par exemple, il faudrait environ 80 échantillons à prélever pendant l’opération, et il faut continuer à prélever jusqu’à être sûr d’avoir atteint la surface avec peu ou pas d’invasion.

Pour sa part, les auteurs de FastGlioma ont noté qu’à ce jour, un échantillonnage relativement modeste a permis de prédire avec précision la tumeur résiduelle — par exemple, en ne réalisant des imageries que sur environ 0,5 cc pour un gliome de 30 à 60 cc en volume.

Le Dr Ramakrishna a également pointé d’autres inconnues et risques potentiels. « Quel niveau d’invasion tumorale dans le tissu est acceptable pour arrêter la chirurgie ? » a-t-il questionné. « Entre des mains inexpérimentées, la recherche de la tumeur invasive peut entraîner une morbidité neurologique significative. »

Néanmoins, il a ajouté : « Je pense que cette approche est techniquement très impressionnante et j’applaudis les auteurs pour leurs efforts visant à instaurer un paradigme intra-opératoire relativement rapide pour évaluer le front d’invasion de la tumeur. J’attends avec impatience de voir les résultats dans des contextes réels de son application. Je serais particulièrement favorable à ce type d’approche en radiologie pour évaluer le degré d’invasion afin de mieux planifier la radiothérapie adjuvante. »