L'IA personnalise le traitement des tumeurs cérébrales
Progrès dans le traitement personnalisé des tumeurs cérébrales : l'IA identifie les mutations
Les méthodes d'apprentissage automatique peuvent diagnostiquer rapidement et avec précision les mutations dans les gliomes - tumeurs cérébrales primaires. C'est ce que montre une étude récente de l'Université des sciences de la santé Karl Landsteiner (KL Krems). Dans cette étude, des données provenant d'images de résonance magnétique physio-métabolique ont été analysées pour identifier des mutations dans un gène métabolique à l'aide de la ML. Les mutations de ce gène ont une influence significative sur l'évolution de la maladie, et un diagnostic précoce est important pour le traitement. L'étude montre également que les normes d'obtention des images de résonance magnétique physio-métabolique ne sont pas toujours cohérentes, ce qui empêche l'utilisation de la méthode en routine clinique.
Les gliomes sont les tumeurs cérébrales primaires les plus courantes. Malgré un pronostic encore sombre, les thérapies personnalisées peuvent déjà améliorer de manière significative le succès du traitement. Cependant, l'utilisation de ces thérapies avancées repose sur des données individuelles relatives aux tumeurs, qui ne sont pas facilement disponibles pour les gliomes en raison de leur localisation dans le cerveau. Les techniques d'imagerie telles que l'imagerie par résonance magnétique (IRM) peuvent fournir de telles données, mais leurs analyses sont complexes, exigeantes et prennent du temps. L'Institut central de diagnostic radiologique médical de l'hôpital universitaire de St. Pölten, un site d'enseignement et de recherche du KL Krems, développe donc depuis des années des méthodes d'apprentissage automatique et profond afin d'automatiser ces analyses et de les intégrer dans les opérations cliniques de routine. Une nouvelle avancée a maintenant été réalisée.
Mutation positive
"Les patients dont les cellules de gliome sont porteuses d'une forme mutée du gène de l'isocitrate déshydrogénase (IDH) ont en fait de meilleures perspectives cliniques que ceux dont la forme est de type sauvage", explique le Pr Andreas Stadlbauer, physicien médical à l'Institut central. Andreas Stadlbauer, physicien médical à l'Institut central. "Cela signifie que plus tôt nous connaissons le statut de cette mutation, mieux nous pouvons individualiser le traitement". Les différences dans le métabolisme énergétique des tumeurs mutées et des tumeurs de type sauvage y contribuent. Grâce aux travaux antérieurs de l'équipe du professeur Stadlbauer, ces différences peuvent être facilement mesurées à l'aide de l'IRM physio-métabolique, même sans échantillons de tissus. Cependant, l'analyse et l'évaluation des données est un processus très complexe et long, difficile à intégrer dans la routine clinique, d'autant plus que les résultats sont nécessaires rapidement en raison du mauvais pronostic des patients.
Dans l'étude actuelle, l'équipe a utilisé des méthodes de ML pour analyser et interpréter ces données afin d'obtenir un résultat plus rapidement et d'être en mesure d'initier les étapes de traitement appropriées. Mais quelle est la précision des résultats obtenus ? Pour l'évaluer, l'étude a d'abord utilisé les données de 182 patients de l'hôpital universitaire de St. Pölten, dont les données d'IRM ont été recueillies selon des protocoles standardisés.
Des résultats positifs
"Lorsque nous avons vu les résultats de l'évaluation par nos algorithmes ML", explique le professeur Stadlbauer, "nous avons été très satisfaits. Nous avons obtenu une précision de 91,7 % et une exactitude de 87,5 % dans la distinction entre les tumeurs avec le gène de type sauvage et celles avec la forme mutée. Nous avons ensuite comparé ces valeurs avec des analyses ML de données IRM cliniques classiques et nous avons pu montrer que l'utilisation de données IRM physio-métaboliques comme base donnait des résultats nettement meilleurs".
Toutefois, cette supériorité ne s'est maintenue que tant que les données collectées à St. Pölten ont été analysées selon un protocole standardisé. Ce n'était pas le cas lorsque la méthode ML était appliquée à des données externes, c'est-à-dire des données d'IRM provenant de bases de données d'autres hôpitaux. Dans cette situation, la méthode de ML qui avait été entraînée avec des données IRM cliniques classiques s'est avérée plus efficace. "Le fait que l'analyse ML des données IRM physio-métaboliques ait donné de moins bons résultats est dû au fait que la technologie est encore jeune et en phase de développement expérimental. Les méthodes de collecte des données varient encore d'un hôpital à l'autre, ce qui entraîne des distorsions dans l'analyse ML", explique M. Stadlbauer.
Pour le scientifique, cependant, il ne s'agit "que" d'un problème de standardisation, qui se posera inévitablement avec l'utilisation croissante de l'IRM physio-métabolique dans différents hôpitaux. La méthode elle-même - l'évaluation des données d'IRM physio-métabolique à l'aide de méthodes ML, qui permet de gagner du temps - s'est avérée excellente. Il s'agit donc d'une excellente approche pour déterminer le statut mutationnel IDH des patients atteints de gliome en préopératoire et pour individualiser les options de traitement.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Andreas Stadlbauer, Katarina Nikolic, Stefan Oberndorfer, Franz Marhold, Thomas M. Kinfe, Anke Meyer-Bäse, Diana Alina Bistrian, Oliver Schnell, Arnd Doerfler; "Machine Learning-Based Prediction of Glioma IDH Gene Mutation Status Using Physio-Metabolic MRI of Oxygen Metabolism and Neovascularization (A Bicenter Study)"; Cancers, Volume 16, 2024-3-8
Autres actualités du département science
Recevez les dernières actualités du secteur des sciences de la vie
Ne manquez plus aucune actualité : notre newsletter consacrée aux biotechnologies, au secteur pharmaceutique et aux sciences de la vie vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
