Pr Julien Mazières , Onco Pneumologue, CHU Toulouse: « Les médecins doivent l’intégrer IA) , comprendre comment elle fonctionne pour la maîtriser et en faire un outil utile, pas concurrent »
Et
" Les modèles de machine learning et d’IA vont identifier des corrélations entre les images microscopiques ou radiologiques et quelque chose qui nous intéresse : par exemple la rechute, la réponse au traitement ou la survie des patients", déclare le pathologiste à l’Institut universitaire du Cancer Oncopole de Toulouse.
https://www.lavoixdunord.fr/1552598/article/2025-02-07/l-intelligence-artificielle-un-nouvel-acteur-dans-la-lutte-contre-le-cancer
Rakaee M , Tafavvoghi M , Ricciuti B, et al. Modèle d'apprentissage profond pour prédire la réponse à l'immunothérapie dans le cancer du poumon non à petites cellules avancé. JAMA Oncol. Publié en ligne le 26 décembre 2024. doi:10.1001/jamaoncol.2024.5356
https://jamanetwork.com/journals/jamaoncology/fullarticle/2828578
Article libre d'accès
Points clés
Question Les algorithmes basés sur l’apprentissage profond peuvent-ils utiliser des images histologiques pour prédire directement la réponse aux inhibiteurs du point de contrôle immunitaire (ICI) chez les patients atteints d’un cancer du poumon non à petites cellules (CPNPC) avancé ?
Résultats
Cette étude de cohorte a développé et validé en externe un pipeline informatique de prédiction de réponse incluant 958 patients atteints de CPNPC traités par monothérapie ICI, et a démontré que les scores de prédiction d'apprentissage profond étaient associés au taux de réponse, à la survie sans progression et à la survie globale, avec des performances comparables à celles du ligand de mort cellulaire programmée 1 (PD-L1). La combinaison des scores d'apprentissage profond et de PD-L1 a amélioré la stratification des patients.
Signification
Ces résultats indiquent qu’un modèle de pathologie basé sur l’intelligence artificielle pourrait potentiellement servir de nouvel outil pour guider le traitement ICI, affiner la sélection des patients et améliorer les résultats cliniques dans le traitement du CBNPC avancé.
Importance
Seule une petite fraction des patients atteints d'un cancer du poumon non à petites cellules (CPNPC) avancé répondent au traitement par inhibiteurs de points de contrôle immunitaire (ICI). Pour une prise en charge personnalisée optimale du CPNPC, il est impératif d'identifier les patients les plus susceptibles de bénéficier de l'immunothérapie.
Objectif
Développer une méthode de prédiction de la réponse ICI basée sur l’apprentissage profond supervisé ; évaluer ses performances par rapport à d’autres biomarqueurs prédictifs connus ; et évaluer son association avec les résultats cliniques chez les patients atteints de CPNPC avancé.
Conception, cadre et participants
Cette étude de cohorte multicentrique a développé et validé de manière indépendante un modèle de stratification de la réponse basé sur l'apprentissage profond pour prédire l'issue du traitement par ICI chez les patients atteints de CPNPC avancé à partir d'images colorées à l'hématoxyline et à l'éosine sur lame entière. Les images pour le développement et la validation du modèle ont été obtenues auprès d'un centre participant aux États-Unis et de trois centres dans l'Union européenne (UE) d'août 2014 à décembre 2022. Les analyses de données ont été réalisées de septembre 2022 à mai 2024.
Monothérapie d'exposition avec ICI.
Principaux résultats et mesures
Performance du modèle mesurée par les critères cliniques finaux et le pouvoir de différenciation du taux de réponse objective (ORR) par rapport à d'autres biomarqueurs prédictifs, c'est-à-dire le ligand de mort cellulaire programmée 1 (PD-L1), la charge mutationnelle tumorale (TMB) et les lymphocytes infiltrant la tumeur (TIL).
Résultats 
Modèle d'apprentissage profond et inhibiteurs de points de contrôle immunitaire (ICI) par résultat clinique
Performances des biomarqueurs inhibiteurs de points de contrôle immunitaire (ICI) par rapport au modèle Deep-IO
Au total, 295 581 mosaïques d'images provenant de 958 patients (âge moyen [ET], 66,0 [10,6] ans ; 456 [48 %] de femmes et 502 [52 %] d'hommes) traités par ICI pour un CPNPC ont été incluses dans l'analyse. La cohorte de développement basée aux États-Unis était composée de 614 patients avec une durée de suivi médiane (IQR) de 54,5 (38,2-68,1) mois, et la cohorte de validation basée dans l'UE, de 344 patients avec 43,3 (27,4-53,9) mois de suivi. Le taux de réponse objective (ORR) de l'ICI était de 26 % dans la cohorte de développement et de 28 % dans la cohorte de validation. Français L'aire sous la courbe caractéristique de fonctionnement du récepteur (AUC) du modèle d'apprentissage profond pour l'ORR était de 0,75 (IC à 95 %, 0,64-0,85) dans l'ensemble de test interne et de 0,66 (IC à 95 %, 0,60-0,72) dans la cohorte de validation. Dans une analyse multivariée, le score du modèle d'apprentissage profond était un prédicteur indépendant de la réponse ICI dans la cohorte de validation à la fois pour la survie sans progression (rapport de risque, 0,56 ; IC à 95 %, 0,42-0,76 ; P < 0,001) et la survie globale (rapport de risque, 0,53 ; IC à 95 %, 0,39-0,73 ; P < 0,001). Le modèle d'apprentissage profond réglé a atteint une AUC plus élevée que TMB, TIL et PD-L1 dans l'ensemble interne ; Dans la cohorte de validation, il était supérieur aux TIL et comparable au PD-L1 (ASC, 0,67 ; IC à 95 %, 0,60-0,74), avec une amélioration de la spécificité de 10 points de pourcentage. Dans la cohorte de validation, la combinaison du modèle d'apprentissage profond avec les scores PD-L1 a permis d'obtenir une ASC de 0,70 (IC à 95 %, 0,63-0,76), surpassant l'un ou l'autre marqueur seul, avec un taux de réponse de 51 % contre 41 % pour le PD-L1 (≥ 50 %) seul.
Conclusions et pertinence
Les résultats de cette étude de cohorte démontrent une caractéristique forte et indépendante basée sur l'apprentissage profond associée à la réponse ICI chez les patients atteints de CPNPC dans diverses cohortes. L'utilisation clinique de ce modèle d'apprentissage profond pourrait affiner la précision du traitement et mieux identifier les patients susceptibles de bénéficier de l'ICI pour le traitement du CPNPC avancé.
Commentaire
Tout en médecin est IA/COMPATIBLE
Cet article illustre parfaitement le rôle majeur de l'IA en cancérologie
Si on veut allrer plus loin le jumeua numérique et les études "in silico" devraient faire avancer la recherche en se passant définitivement de cobaye, de souris et de singes
L'utilisation clinique de ce modèle d'apprentissage profond pourrait affiner la précision du traitement et mieux identifier les patients susceptibles de bénéficier de l'ICI pour le traitement du CPNPC avancé.
Bien d'autres cancers vont bénéficier de l'IA pour le plus grand bien des patients
Cette démarche entre dans le cadre de la PERTINENCE des SOINS
La parole d'un expert
- L'aire sous la courbe ROC (AUC), qui mesure la performance de prédiction, était de 0.75 pour le groupe de développement et de 0.66 pour la validation externe.
- Deep-IO a surpassé certains des biomarqueurs traditionnels comme les TILs et le TMB en termes de précision. Il a eu des performances comparables au PD-L1, mais en combinant Deep-IO et PD-L1 , la précision augmentait encore (AUC de 0.70 ).
- Les patients avec des scores élevés de Deep-IO avaient une survie sans progression et une survie globale significativement plus longues.
Ce modèle d’IA pourrait devenir un outil complémentaire pour aider les médecins à sélectionner les patients les plus susceptibles de bénéficier de l’immunothérapie. Il permettrait d'améliorer la précision des traitements personnalisés dans le NSCLC avancé.
Copyright : Dr Jean Pierre Laroche / 2025