Une IA unique de Stanford Medicine prédit l’avenir

L’intégration d’informations visuelles (images microscopiques, clichés aux rayons X, scans CT et IRM) avec des données textuelles (notes médicales, échanges entre médecins de différentes spécialités) constitue un élément clé des soins liés au cancer. Bien que l’intelligence artificielle (IA) aide les praticiens à examiner les images et à se concentrer sur des anomalies associées à des maladies comme des cellules de forme anormale, il a été difficile de développer des modèles informatiques capables d’incorporer plusieurs types de données.

Des chercheurs de l’École de Médecine de Stanford ont désormais mis au point un modèle d’IA capable de combiner des informations visuelles et textuelles. Après un entraînement sur 50 millions d’images médicales de lames de pathologie standards et plus d’un milliard de textes liés à la pathologie, ce modèle a surpassé les méthodes traditionnelles en prédisant les pronostics de milliers de patients atteints de différents types de cancer. Il est également capable d’identifier les personnes souffrant de cancers du poumon ou gastro-œsophagien qui pourraient bénéficier de l’immunothérapie, ainsi que de repérer celles atteintes de mélanome susceptibles de connaître une récidive.

Ce modèle, baptisé MUSK, pour modèle multimodal à unification de kérologie, marque une innovation dans l’utilisation de l’intelligence artificielle en milieu clinique. Les chercheurs estiment qu’il pourrait transformer la manière dont l’IA guide les soins des patients.

“MUSK peut prédire avec précision les pronostics de patients présentant divers types et stades de cancer,” explique Ruijiang Li, médecin et professeur associé en oncologie radiologique. “Nous avons conçu MUSK car, en pratique clinique, les médecins ne s’appuient jamais sur un seul type de données pour prendre des décisions. Nous voulions tirer parti de multiples types de données afin d’obtenir des prédictions plus précises sur les résultats des patients.”

Li, membre de l’Institut de cancérologie de Stanford, est l’un des auteurs principaux de l’étude publiée le 8 janvier dans la revue Nature. Les chercheurs postdoctoraux Jinxi Xiang et Xiyue Wang ont également contribué de manière significative à ce projet.

Bien que les outils d’intelligence artificielle aient été de plus en plus utilisés en clinique, leur application s’est majoritairement concentrée sur le diagnostic, plutôt que sur le pronostic. L’un des défis réside dans la nécessité de former les modèles sur de grandes quantités de données annotées et appariées, ce qui est souvent difficile à obtenir.

Un outil prêt à l’emploi

D’un point de vue technique, MUSK est ce que l’on appelle un modèle fondation. Ces modèles pré-entraînés sur d’énormes ensembles de données peuvent être personnalisés pour réaliser des tâches spécifiques. En conçu MUSK pour utiliser des données multimodales non appariées qui ne répondent pas aux exigences traditionnelles d’entraînement, les chercheurs ont considérablement élargi la base de données disponible pour l’apprentissage initial du modèle. Ce qui permet, par la suite, un apprentissage sur des ensembles de données beaucoup plus restreints et spécialisés. En somme, MUSK constitue un outil adaptable que les médecins peuvent affiner pour répondre à des questions cliniques précises.

“Le plus grand besoin clinique non satisfait concerne les modèles que les médecins peuvent utiliser pour orienter le traitement des patients,” déclare Li. “Ce patient a-t-il besoin de ce médicament ? Ou devrions-nous plutôt envisager un autre type de thérapie ? Actuellement, les médecins se fondent sur des informations comme le stade de la maladie ou des gènes spécifiques pour prendre ces décisions, mais cela ne s’avère pas toujours précis.”

Les chercheurs ont rassemblé des lames microscopiques de sections de tissus, les rapports de pathologie associés et des données de suivi, dont l’évolution des patients, à partir de la base de données nationale The Cancer Genome Atlas, pour 16 types majeurs de cancer, tels que le sein, le poumon, le colorectal, le pancréas, les reins et la vessie. Ils ont utilisé ces informations pour former MUSK à prédire la survie spécifique à la maladie, c’est-à-dire le pourcentage de personnes n’étant pas décédées d’une maladie spécifique sur une période donnée.

Pour tous les types de cancer, MUSK a correctement prédit la survie spécifique à la maladie dans 75 % des cas, contre 64 % pour les prédictions standards basées sur le stade du cancer et d’autres facteurs de risque cliniques.

Dans un autre exemple, les chercheurs ont formé MUSK à exploiter des milliers d’indices pour déterminer quels patients atteints de cancers du poumon ou du tractus gastrique et œsophagien sont les plus susceptibles de bénéficier d’une immunothérapie.

“Actuellement, la principale décision quant à l’administration d’un type particulier d’immunothérapie repose sur l’expression d’une protéine appelée PD-L1 par la tumeur du patient,” souligne Li. “Il s’agit d’un biomarqueur composé d’une seule protéine. En comparaison, si nous pouvons utiliser l’intelligence artificielle pour évaluer des centaines ou des milliers d’indices de diverses données, y compris des images de tissus, des données démographiques des patients, leur historique médical, ainsi que des traitements antérieurs, nous pourrons évaluer avec beaucoup plus de précision qui pourrait en bénéficier.”

Pour le cancer du poumon non à petites cellules, MUSK a identifié correctement les patients bénéficiant d’un traitement par immunothérapie dans environ 77 % des cas, alors que la méthode classique basée sur l’expression de PD-L1 n’était précise qu’environ 61 % du temps.

Des résultats similaires ont été obtenus lorsque MUSK a été entraîné à identifier les personnes atteintes de mélanome les plus susceptibles de rechuter dans les cinq ans suivant leur traitement initial, avec un taux de précision d’environ 83 %, soit environ 12 % de plus que les autres modèles fondation.

“La spécificité de MUSK réside dans sa capacité à intégrer des données multimodales non appariées dans le préentraînement, ce qui augmente considérablement la quantité de données par rapport aux modèles nécessitant des données appariées,” précise Li. “Nous avons observé que pour toutes les tâches de prédiction clinique, les modèles intégrant plusieurs types de données surperforment systématiquement ceux basés uniquement sur des données d’imagerie ou de texte. L’exploitation de ces types de données multimodales non appariées avec des modèles d’intelligence artificielle comme MUSK constituera un avancement majeur dans la capacité de l’IA à aider les médecins à améliorer les soins aux patients.”

Des chercheurs de l’École de Médecine de Harvard ont également contribué à cette étude.

Ce travail a été financé par les National Institutes of Health (subventions R01CA222512, R01CA233578, R01CA269599, R01CA285456, R01CA290715 et R01DE030894) ainsi que par l’Institut Stanford pour l’Intelligence Artificielle Axée sur l’Homme.