« Le plus grand besoin clinique non satisfait réside dans la création de modèles que les médecins peuvent utiliser pour guider le traitement des patients », explique Li. « Ce patient a-t-il besoin de ce médicament ? Ou devrions-nous plutôt nous orienter vers un autre type de thérapie ? Actuellement, les médecins se basent sur des informations telles que le stade de la maladie et des gènes ou protéines spécifiques pour prendre ces décisions, mais ce n’est pas toujours précis. »
Les chercheurs ont rassemblé des lames microscopiques de sections de tissus, des rapports de pathologie associés et des données de suivi (y compris l’évolution des patients) provenant de la base de données nationale The Cancer Genome Atlas pour des patients atteints de 16 types majeurs de cancer, y compris le cancer du sein, du poumon, colorectal, pancréatique, rénal, vésical et des têtes et du cou. Ces informations ont ensuite été utilisées pour entraîner MUSK à prédire la survie spécifique à la maladie, c’est-à-dire le pourcentage de personnes n’ayant pas succombé à une maladie spécifique pendant une période définie.
Pour tous les types de cancer, MUSK a prédit avec précision la survie spécifique à la maladie d’un patient 75 % du temps. En revanche, les prédictions standards basées sur le stade du cancer d’une personne et d’autres facteurs de risque cliniques étaient correctes seulement 64 % du temps.
Dans un autre exemple, les chercheurs ont formé MUSK à utiliser des milliers de données pour prédire quels patients atteints de cancers des poumons ou du système gastrique et œsophagien seraient les plus susceptibles de bénéficier d’une immunothérapie.
« Actuellement, la décision de donner à un patient un type particulier d’immunothérapie repose essentiellement sur l’expression d’une protéine appelée PD-L1 dans la tumeur de ce dernier », a précisé Li. « Il s’agit d’un biomarqueur constitué d’une seule protéine. En revanche, en utilisant l’intelligence artificielle pour évaluer des centaines, voire des milliers de données de différents types, y compris l’imagerie des tissus, ainsi que les données démographiques des patients, leur histoire médicale, les traitements passés et les analyses de laboratoire extraites des notes cliniques, nous pouvons déterminer de manière beaucoup plus précise qui pourrait en bénéficier. »
Pour le cancer du poumon non à petites cellules, MUSK a identifié correctement environ 77 % des patients ayant tiré profit d’un traitement par immunothérapie. À titre de comparaison, la méthode courante de prédiction de la réponse à l’immunothérapie fondée sur l’expression de PD-L1 n’était exacte que dans environ 61 % des cas.
Des résultats similaires ont été obtenus lorsque les chercheurs ont formé MUSK à identifier les personnes atteintes de mélanome les plus susceptibles de faire une rechute dans les cinq ans suivant leur traitement initial. Dans ce cas, le modèle s’est montré correct dans environ 83 % des cas, soit environ 12 % de plus que les prédictions générées par d’autres modèles de base.
« Ce qui rend MUSK unique, c’est la capacité d’incorporer des données multimodales non appariées dans l’apprentissage préalable, ce qui augmente considérablement l’échelle des données par rapport aux données appariées requises par d’autres modèles », a ajouté Li. « Nous avons observé que pour toutes les tâches de prédiction clinique, les modèles intégrant plusieurs types de données surpassent systématiquement ceux fondés uniquement sur l’imagerie ou les données textuelles. Exploiter ces types de données multimodales non appariées avec des modèles d’intelligence artificielle comme MUSK constitue un progrès majeur pour aider les médecins à améliorer les soins aux patients. »
Des chercheurs de la Harvard Medical School ont également contribué à cette étude.
L’étude a été financée par les National Institutes of Health (subventions R01CA222512, R01CA233578, R01CA269599, R01CA285456, R01CA290715 et R01DE030894), ainsi que par le Stanford Institute for Human-Centered Artificial Intelligence.
Points à retenir
- MUSK a démontré une capacité de prédiction de la survie spécifique à la maladie à 75 %, surpassant les méthodes traditionnelles.
- L’importance de la combinaison de données variées, comme les imageries et les données démographiques, pour affiner les prédictions de traitement.
- Un potentiel important dans le domaine de l’immunothérapie, avec des capacités de prédictions accrues pour le cancer du poumon non à petites cellules.
Cette recherche ouvre des perspectives intéressantes sur l’utilisation de l’intelligence artificielle dans le domaine médical. En intégrant une multitude de données, notamment celles qui n’ont pas été appariées, les modèles comme MUSK pourraient transformer la manière dont les médecins évaluent et choisissent les traitements pour leurs patients. Cela soulève la question de la personnalisation des soins : comment les technologies peuvent-elles encore améliorer ce processus et quelles implications éthiques cela pourrait-il engendrer ?
- Source image(s) : med.stanford.edu
- Source : https://med.stanford.edu/news/all-news/2025/01/ai-cancer-prognosis.html
Nos rédacteurs utilisent l'IA pour les aider à proposer des articles frais de sources fiables à nos utilisateurs. Si vous trouvez une image ou un contenu inapproprié, veuillez nous contacter via le formulaire DMCA et nous le retirerons rapidement. / Our editors use AI to help them offer our readers fresh articles from reliable sources. If you find an image or content inappropriate, please contact us via the DMCA form and we'll remove it promptly.