ESMO-IO 2019 — La radiomique et l’intelligence artificielle dans l’immuno-oncologie


  • Carolina Rojido
  • Univadis
L'accès à l'intégralité du contenu de ce site est reservé uniquement aux professionnels de santé disposant d'un compte. L'accès à l'intégralité du contenu de ce site est reservé uniquement aux professionnels de santé disposant d'un compte.

À retenir

  • La radiomique est un domaine en plein essor dans l’analyse des images médicales et se montre prometteuse dans la médecine de précision.
  • Des études supplémentaires sont nécessaires afin d’améliorer la performance prédictive et la possibilité de généralisation des modèles radiomiques.    

Pourquoi est-ce important ?

Les biopsies présentent un certain nombre de limitations :

  • Hétérogénéité tumorale.
  • Taille de l’échantillon.
  • Caractère invasif pour les patients.

La radiomique est la conversion de l’imagerie conventionnelle (TDM, IRM) en données quantitatives exploitables pouvant être utilisées pour la caractérisation morphologique et pour la conception de systèmes de diagnostic assisté par ordinateur (DAO), de prédiction de la réponse assistée par ordinateur (PRAO) ou de profilage biologique assisté par ordinateur (PBAO). On a constaté que les caractéristiques de la radiomique étaient associées de manière significative à des biomarqueurs cliniquement pertinents, tels que ER, PR ou HER2 dans le cancer du sein.

Les approches radiogénomiques offrent un certain nombre d’avantages :

  • Caractère non invasif.
  • Prise en compte de l’hétérogénéité.
  • Analyse complète de la charge tumorale.
  • Possibilité d’un suivi sériel.

Cependant, des défis subsistent dans les domaines suivants :

  • Acquisition, reconstruction et enregistrement des clichés d’imagerie.
  • Impact de la segmentation, concordance et automatisation.
  • Reproductibilité, redondance et automatisation du processus d’extraction des descripteurs.
  • Surapprentissage des modèles, et concurrence entre les modèles statistiques et les modèles d’IA.

« Au premier abord, l’intelligence artificielle semble le mieux s’appliquer à la radiologie et à la pathologie, c’est-à-dire qu’à court, moyen et long termes, des modèles informatiques seront plus performants pour l’interprétation des clichés d’imagerie, mais également la pathologie associée à ceux-ci et la prédiction des résultats, que la radiologie traditionnelle. D’ici peu, une grande partie de ce travail pourrait être prise en charge par des modèles informatiques. Au départ, l’élément le plus important est la saisie des données, car l’IA s’appuie sur des mégadonnées pour apprendre à identifier et finalement produire des algorithmes qui prédisent les caractéristiques biologiques (y compris les mutations) d’une zone et sa réponse au traitement.

La base pathologique de la maladie, en l’état actuel des choses, fait également partie des domaines concernés. On arrivera probablement à des méthodes qui ne nécessiteront pas de colorations individuelles pour déterminer le type de cancer et les mutations associées, mais qui pourront y parvenir grâce à des algorithmes et en apprenant à des ordinateurs à quoi ressemble un résultat positif ou négatif par le biais de modèles mathématiques.

Il s’agit là des applications les plus accessibles. 

Pour finir, à l’avenir nous pourrions identifier et développer des traitements innovants et de nouvelles cibles, telles que les néoantigènes, grâce aux mégadonnées et à une modélisation informatique précise. »

Dr Thomas Powles, professeur d’oncologie urogénitale, directeur du centre de cancérologie Barts (Barts Cancer Centre), en charge de la recherche sur les tumeurs solides. Londres, Royaume-Uni.