Zhang H, Yang F, Xu Y, Zhao S, Jiang YZ, Shao ZM, Xiao Y. Multimodal integration using a machine learning approach facilitates risk stratification in HR+/HER2- breast cancer. Cell Rep Med. 2025 Feb 18;6(2):101924. doi: 10.1016/j.xcrm.2024.101924. Epub 2025 Jan 22. PMID: 39848244; PMCID: PMC11866502.
Le cancer du sein à récepteurs hormonaux positifs (RH+) et à récepteur du facteur de croissance épidermique humain 2 négatif (HER2-) est le type de cancer du sein le plus fréquent, et les récidives fréquentes constituent un problème clinique majeur. Les modèles prédictifs de récidive actuels chez les patientes atteintes d'un cancer du sein RH+/HER2- présentent encore des limites. L'intégration de données multidimensionnelles représente une alternative prometteuse pour la prédiction des récidives. Dans cette étude, nous exploitons notre cohorte multi-omique de 579 patientes atteintes d'un cancer du sein RH+/HER2- (dont 200 patientes avec des données complètes pour 7 modalités d'analyse) et développons un modèle d'apprentissage automatique, nommé CIMPTGV, qui intègre des informations cliniques, immunohistochimiques, métabolomiques, pathomiques, transcriptomiques, génomiques et des variations du nombre de copies pour prédire le risque de récidive du cancer du sein RH+/HER2-. Ce modèle atteint des indices de concordance (indices C) de 0,871 et 0,869 sur les ensembles d'entraînement et de test, respectivement. La population à risque prédite par le modèle CIMPTGV englobe celle identifiée par les modèles unimodaux. L'analyse des caractéristiques révèle l'existence d'effets synergiques et complémentaires entre les différentes modalités. Parallèlement, nous développons un modèle simplifié présentant une aire sous la courbe (AUC) moyenne de 0,840, offrant ainsi une approche prometteuse pour les applications cliniques.
SYNTHESE/NOTEBOOKLM
Cette étude présente le modèle CIMPTGV, une architecture d'apprentissage automatique conçue pour prédire les risques de récidive du cancer du sein de type HR+/HER2-. En intégrant sept modalités de données distinctes, incluant la génomique, la métabolomique et l'imagerie pathologique, les chercheurs surpassent l'efficacité des méthodes diagnostiques traditionnelles. L'analyse révèle que cette performance accrue repose sur la synergie d'informations complémentaires et orthogonales provenant de sources biologiques variées. Les auteurs proposent également une version simplifiée du modèle, optimisant le rapport entre précision clinique et coûts de collecte de données. Cette approche facilite une stratification précise des patients, permettant ainsi d'orienter les décisions thérapeutiques vers des stratégies de précision plus personnalisées.
Le cancer du sein à récepteurs hormonaux positifs (RH+) et à récepteur du facteur de croissance épidermique humain 2 négatif (HER2-) est le type de cancer du sein le plus fréquent, et les récidives fréquentes constituent un problème clinique majeur. Les modèles prédictifs de récidive actuels chez les patientes atteintes d'un cancer du sein RH+/HER2- présentent encore des limites. L'intégration de données multidimensionnelles représente une alternative prometteuse pour la prédiction des récidives. Dans cette étude, nous exploitons notre cohorte multi-omique de 579 patientes atteintes d'un cancer du sein RH+/HER2- (dont 200 patientes avec des données complètes pour 7 modalités d'analyse) et développons un modèle d'apprentissage automatique, nommé CIMPTGV, qui intègre des informations cliniques, immunohistochimiques, métabolomiques, pathomiques, transcriptomiques, génomiques et des variations du nombre de copies pour prédire le risque de récidive du cancer du sein RH+/HER2-. Ce modèle atteint des indices de concordance (indices C) de 0,871 et 0,869 sur les ensembles d'entraînement et de test, respectivement. La population à risque prédite par le modèle CIMPTGV englobe celle identifiée par les modèles unimodaux. L'analyse des caractéristiques révèle l'existence d'effets synergiques et complémentaires entre les différentes modalités. Parallèlement, nous développons un modèle simplifié présentant une aire sous la courbe (AUC) moyenne de 0,840, offrant ainsi une approche prometteuse pour les applications cliniques.
SYNTHESE/NOTEBOOKLM
Cette étude présente le modèle CIMPTGV, une architecture d'apprentissage automatique conçue pour prédire les risques de récidive du cancer du sein de type HR+/HER2-. En intégrant sept modalités de données distinctes, incluant la génomique, la métabolomique et l'imagerie pathologique, les chercheurs surpassent l'efficacité des méthodes diagnostiques traditionnelles. L'analyse révèle que cette performance accrue repose sur la synergie d'informations complémentaires et orthogonales provenant de sources biologiques variées. Les auteurs proposent également une version simplifiée du modèle, optimisant le rapport entre précision clinique et coûts de collecte de données. Cette approche facilite une stratification précise des patients, permettant ainsi d'orienter les décisions thérapeutiques vers des stratégies de précision plus personnalisées.