Le carcinome canalaire in situ (CCIS) est une tumeur préinvasive qui peut parfois évoluer en une forme très mortelle de cancer du sein, représentant environ 25 % de tous les diagnostics de cancer du sein.
En raison de la difficulté pour les cliniciens de déterminer le type et le stade du CCIS, les patients sont souvent surtraités. Pour remédier à ce problème, une équipe interdisciplinaire de chercheurs du MIT et de l’ETH Zurich a mis au point un modèle d’intelligence artificielle (IA) capable d’identifier les différentes étapes du CCIS à partir d’une image de tissu mammaire, facile et peu coûteuse à obtenir. Leur modèle montre que l’état et la disposition des cellules dans un échantillon de tissu sont cruciaux pour déterminer le stade du CCIS.
Grâce à la facilité d’obtention de telles images de tissus, les chercheurs ont pu créer l’un des plus grands ensembles de données de ce type, qu’ils ont utilisé pour entraîner et tester leur modèle. En comparant leurs prédictions aux conclusions d’un pathologiste, ils ont trouvé un accord clair dans de nombreux cas.
À l’avenir, ce modèle pourrait être utilisé comme un outil pour aider les cliniciens à rationaliser le diagnostic des cas plus simples sans recourir à des tests intensifs en main-d’œuvre, leur permettant ainsi de consacrer plus de temps à évaluer les cas où il est moins clair si le CCIS deviendra invasif.
« Nous avons franchi la première étape en comprenant que nous devrions examiner l’organisation spatiale des cellules lors du diagnostic du CCIS, et nous avons maintenant développé une technique évolutive. À partir de là, nous avons vraiment besoin d’une étude prospective. Travailler avec un hôpital et amener cela jusqu’à la clinique sera une étape importante », déclare Caroline Uhler, professeur au Département de génie électrique et d’informatique (EECS) et à l’Institut des données, des systèmes et de la société (IDSS), qui est également directeur du Centre Eric et Wendy Schmidt du Broad Institute du MIT et de Harvard et chercheur au Laboratoire des systèmes d’information et de décision (LIDS) du MIT.
Uhler, auteur co-correspondant d’un article sur cette recherche, est rejoint par l’auteur principal Xinyi Zhang, étudiant diplômé de l’EECS et du Centre Eric et Wendy Schmidt ; auteur co-correspondant GV Shivashankar, professeur de méchogénomique à l’ETH Zurich conjointement avec l’Institut Paul Scherrer ; et d’autres chercheurs au MIT, à l’ETH Zurich et à l’Université de Palerme en Italie. La recherche en libre accès a été publiée le 20 juillet dans Communications Naturelles.
Combiner l’imagerie avec l’IA
Entre 30 et 50 % des patients atteints de CCIS développent un stade de cancer hautement invasif, mais les chercheurs ne connaissent pas les biomarqueurs qui pourraient indiquer à un clinicien quelles tumeurs vont progresser.
Les chercheurs peuvent utiliser des techniques telles que la coloration multiplexée ou le séquençage d’ARN unicellulaire pour déterminer le stade du CCIS dans des échantillons de tissus. Cependant, ces tests sont trop coûteux pour être réalisés à grande échelle, explique Shivashankar.
Dans des travaux antérieurs, ces chercheurs ont montré qu’une technique d’imagerie peu coûteuse connue sous le nom de coloration de la chromatine pourrait être aussi informative que le séquençage de l’ARN unicellulaire, beaucoup plus coûteux.
Pour cette recherche, ils ont émis l’hypothèse que la combinaison de cette coloration unique avec un modèle d’apprentissage automatique soigneusement conçu pourrait fournir les mêmes informations sur le stade du cancer que des techniques plus coûteuses.
Ils ont d’abord créé un ensemble de données contenant 560 images d’échantillons de tissus provenant de 122 patients à trois stades différents de la maladie. Ils ont utilisé cet ensemble de données pour former un modèle d’IA qui apprend une représentation de l’état de chaque cellule dans une image d’échantillon de tissu, qu’il utilise pour déduire le stade du cancer d’un patient.
Toutes les cellules ne sont pas révélatrices d’un cancer, c’est pourquoi les chercheurs ont dû les regrouper de manière significative.
Ils ont conçu le modèle pour créer des groupes de cellules dans des états similaires, identifiant huit états qui sont des marqueurs importants du CCIS. Certains états cellulaires sont plus révélateurs d’un cancer invasif que d’autres. Le modèle détermine la proportion de cellules dans chaque état dans un échantillon de tissu.
L’organisation compte
« Mais dans le cancer, l’organisation des cellules change également. Nous avons constaté qu’il ne suffit pas d’avoir les proportions de cellules dans chaque état. Vous devez également comprendre comment les cellules sont organisées », explique Shivashankar.
Avec ces informations, ils ont conçu le modèle pour prendre en compte la proportion et la disposition des états cellulaires, ce qui a considérablement amélioré sa précision.
« Ce qui était intéressant pour nous, c’était de voir à quel point l’organisation spatiale était importante. Des études antérieures avaient montré que les cellules proches du canal mammaire sont importantes. Mais il est également important de considérer quelles cellules sont proches de quelles autres cellules », explique Zhang.
En comparant les résultats de leur modèle avec des échantillons évalués par un pathologiste, ils ont constaté un accord clair dans de nombreux cas. Dans les cas qui n’étaient pas aussi clairs, le modèle pourrait fournir des informations sur les caractéristiques d’un échantillon de tissu, comme l’organisation des cellules, qu’un pathologiste pourrait utiliser dans sa prise de décision.
Ce modèle polyvalent pourrait également être adapté pour être utilisé dans d’autres types de cancer, voire dans des conditions neurodégénératives, un domaine que les chercheurs explorent également actuellement.
« Nous avons montré qu’avec les bonnes techniques d’IA, cette simple tache peut être très puissante. Il reste encore beaucoup de recherches à faire, mais nous devons prendre en compte l’organisation des cellules dans davantage de nos études », explique Uhler.
Cette recherche a été financée en partie par le Centre Eric et Wendy Schmidt du Broad Institute de l’ETH Zurich, l’Institut Paul Scherrer, le Fonds national suisse, les National Institutes of Health des États-Unis, l’Office of Naval Research des États-Unis, le MIT Jameel Clinic for Machine Learning and Health, le MIT-IBM Watson AI Lab et un Simons Investigator Award.
