Une nouvelle IA améliore la réponse au traitement du cancer, selon une étude

Temps de lecture: 2 minutes
Par Jean Rivière
- dans
Modèle d'IA analysant les profils d'ARNm et les échantillons de tissus

ParisDeepPT : Un nouvel outil IA pour améliorer le traitement du cancer

Un nouvel outil d'intelligence artificielle nommé DeepPT a été créé pour optimiser les traitements contre le cancer. Développé par des chercheurs de l'Université Nationale Australienne (ANU), il permet de prédire le profil mRNA d'un patient, essentiel pour la synthèse des protéines et la personnalisation des traitements. DeepPT a été conçu en collaboration avec des scientifiques de l'Institut National du Cancer aux États-Unis et la société pharmaceutique Pangea Biomed.

Le DeepPT a démontré des améliorations significatives dans la prévision des réactions des patients aux traitements contre le cancer. En collaboration avec un autre outil appelé ENLIGHT, ils ont efficacement prévu les réponses pour différents types de cancers. Le Dr Danh-Tai Hoang de l'ANU a souligné que choisir le bon traitement est essentiel pour les résultats des patients, surtout pour les cancers agressifs.

DeepPT a été formé sur un ensemble de données solide :

  • 5 500 patients
  • 16 types de cancers répandus — sein, poumon, tête et cou, col de l'utérus, et pancréas

Grâce à DeepPT, les chercheurs ont observé une augmentation du taux de réponse des patients de 33,3 % à 46,5 %. Ce progrès est significatif, démontrant l'utilité de l'outil dans des contextes cliniques réels. Le modèle d'IA améliore les travaux antérieurs de la même équipe pour créer un outil de classification des tumeurs cérébrales, offrant une méthode fiable applicable à d'autres types de cancer.

DeepPT se distingue grâce à l'utilisation d'images histopathologiques, qui sont des photos détaillées de tissus prélevés chez des patients. Ces images sont faciles à obtenir, abordables et rapides à traiter. Cela permet d'éviter les longs délais d'attente des données moléculaires complexes, qui peuvent prendre des semaines. Une rapidité de traitement est cruciale pour les patients atteints de tumeurs graves nécessitant des soins immédiats.

DeepPT et ENLIGHT exploitent des données cliniques pour formuler des prédictions. L'utilisation des images histopathologiques représente une approche novatrice, car ces images sont déjà employées dans la pratique médicale quotidienne, ce qui facilite leur intégration dans les processus existants. Le taux de réponse au traitement plus élevé suggère que l'IA pourrait jouer un rôle crucial dans les traitements personnalisés du cancer.

La publication de cette étude dans Nature Cancer atteste de sa fiabilité scientifique. La collaboration avec des organisations renommées comme l'Institut National du Cancer et Pangea Biomed renforce également sa crédibilité.

Ces avancées offrent un espoir prometteur pour les traitements contre le cancer. Elles illustrent comment la collaboration interdisciplinaire et les progrès en informatique peuvent véritablement améliorer les soins de santé.

L'intelligence artificielle joue un rôle crucial en médecine, avec des outils comme DeepPT en tête de file. Ils facilitent l'accès à une médecine personnalisée plus efficace. En exploitant des données cliniques communes, ces outils relient la recherche aux soins des patients, offrant l'espoir de meilleurs résultats pour les patients atteints de cancer.

Il sera fascinant de suivre l'évolution de cet outil et de découvrir s'il peut être appliqué à d'autres maladies. Pour l'instant, c'est une grande avancée dans la lutte contre le cancer.

L'étude est publiée ici:

http://dx.doi.org/10.1038/s43018-024-00793-2

et sa citation officielle - y compris les auteurs et la revue - est

Danh-Tai Hoang, Gal Dinstag, Eldad D. Shulman, Leandro C. Hermida, Doreen S. Ben-Zvi, Efrat Elis, Katherine Caley, Stephen-John Sammut, Sanju Sinha, Neelam Sinha, Christopher H. Dampier, Chani Stossel, Tejas Patil, Arun Rajan, Wiem Lassoued, Julius Strauss, Shania Bailey, Clint Allen, Jason Redman, Tuvik Beker, Peng Jiang, Talia Golan, Scott Wilkinson, Adam G. Sowalsky, Sharon R. Pine, Carlos Caldas, James L. Gulley, Kenneth Aldape, Ranit Aharonov, Eric A. Stone, Eytan Ruppin. A deep-learning framework to predict cancer treatment response from histopathology images through imputed transcriptomics. Nature Cancer, 2024; DOI: 10.1038/s43018-024-00793-2
Intelligence Artificielle: Dernières nouvelles

Partager cet article

Commentaires (0)

Poster un commentaire