L'IA prédit l'expression génique des cancers à partir de lames histologiques standard avec une précision supérieure de 30 %
Un nouveau cadre d'apprentissage profond, Path2Omics, prédit avec précision les signatures moléculaires à partir de lames d'histopathologie, ouvrant potentiellement la voie à une révolution en oncologie de précision.
Résumé
Des chercheurs ont développé Path2Omics, un cadre d'IA qui prédit les profils d'expression génique et de méthylation du DNA à partir de lames de tissu cancéreux de routine. Le système a atteint une précision supérieure de 30 % en combinant les prédictions issues à la fois de lames de diagnostic standard et d'échantillons de tissu frais congelé. Testé sur sept jeux de données externes, les données moléculaires prédites par l'IA correspondaient suffisamment bien aux mesures de laboratoire réelles pour prédire avec précision la survie des patients et les réponses aux traitements, ce qui suggère que cette approche pourrait rendre la médecine oncologique de précision plus accessible.
Résumé détaillé
La médecine oncologique de précision repose largement sur le profilage moléculaire pour guider les décisions thérapeutiques, mais l'obtention de données génétiques complètes demeure coûteuse et chronophage. Des chercheurs du National Cancer Institute ont développé Path2Omics, un cadre d'apprentissage profond capable de prédire les profils d'expression génique et de méthylation de l'ADN directement à partir de lames d'histopathologie de routine.
L'équipe a entraîné son système d'intelligence artificielle sur des données issues de 30 types de cancers répertoriés dans The Cancer Genome Atlas, en utilisant plus de 22 000 lames provenant de 8 637 patients. Fait notable, ils ont développé deux modèles complémentaires : l'un entraîné sur des lames standard fixées au formol et incluses en paraffine (FFPE), utilisées en pratique clinique, et l'autre sur des lames de tissu frais congelé (FF), qui correspondent plus fidèlement au tissu employé pour le séquençage moléculaire.
Validée sur sept jeux de données indépendants, l'approche intégrée a obtenu des performances supérieures de 30 % à celles des lames FFPE seules, en prédisant avec succès environ 4 400 gènes sur 18 000. Fait remarquable, les données d'expression génique prédites par l'IA ont obtenu des résultats presque aussi bons que les mesures réelles de laboratoire pour prédire la survie des patients et leurs réponses aux traitements.
Le cadre a démontré une efficacité particulière dans les applications au cancer du sein, classifiant avec précision les sous-types moléculaires et prédisant les réponses à la chimiothérapie néoadjuvante. Cela suggère que les lames de pathologie de routine, déjà collectées pour chaque patient atteint de cancer, pourraient fournir une grande partie des informations moléculaires qui nécessitent actuellement des analyses spécialisées onéreuses.
Bien que cette approche soit prometteuse pour démocratiser la médecine oncologique de précision, l'étude s'est limitée à une analyse rétrospective et nécessitera une validation prospective avant toute mise en œuvre clinique.
Principales conclusions
- AI framework predicts gene expression from histopathology with 30% improved accuracy using integrated approach
- Fresh frozen slides outperformed standard diagnostic slides for molecular prediction across cancer types
- Predicted gene expression matched actual measurements for survival and treatment response prediction
- Successfully classified breast cancer subtypes and predicted chemotherapy responses from routine slides
- Framework validated across seven independent datasets spanning multiple cancer types
Méthodologie
Les chercheurs ont utilisé l'apprentissage profond avec l'extraction de caractéristiques CTransPath et une régression par perceptron multicouche, en entraînant le modèle sur 22 369 lames couvrant 30 types de cancer avec une validation croisée imbriquée 5×5. Le modèle intégré combinait les prédictions issues des modèles de lames FFPE et de lames fraîches congelées.
Limites de l'étude
L'étude était rétrospective et limitée à des types de cancer spécifiques dans le TCGA. La mise en œuvre clinique nécessite une validation prospective, et les performances peuvent varier selon les protocoles de coloration ou les systèmes d'imagerie utilisés. Cette approche dépend de coupes histologiques numérisées de haute qualité.
Ce résumé vous a plu ?
Recevez les dernières recherches sur la longévité dans votre boîte de réception chaque semaine.
Saisissez votre e-mail pour vous abonner :