L'apprentissage automatique améliore la détection précoce des mutations du gliome

Les méthodes d’apprentissage automatique (ML) peuvent diagnostiquer rapidement et avec précision les mutations dans les gliomes, des tumeurs cérébrales primaires.

Ceci est confirmé par une étude récente menée par l'Université des sciences médicales Karl Landsteiner (KL Krems). Dans cette étude, des données d'imagerie par résonance magnétique (IRM) physiométabolique ont été analysées à l'aide de méthodes d'apprentissage automatique afin d'identifier les mutations d'un gène métabolique. Les mutations de ce gène ont un impact significatif sur l'évolution de la maladie, et un diagnostic précoce est essentiel pour le traitement. L'étude montre également que les normes actuelles d'obtention d'images IRM physiométaboliques sont incohérentes, ce qui entrave l'utilisation clinique systématique de cette méthode.

Les gliomes sont les tumeurs cérébrales primitives les plus fréquentes. Bien que leur pronostic soit encore sombre, les thérapies personnalisées peuvent améliorer considérablement le succès du traitement. Cependant, l'utilisation de ces thérapies avancées repose sur des données tumorales individuelles, difficiles à obtenir pour les gliomes en raison de leur localisation cérébrale. Des méthodes d'imagerie comme l'imagerie par résonance magnétique (IRM) peuvent fournir de telles données, mais leur analyse est complexe, laborieuse et chronophage. L'Institut central de radiologie médicale diagnostique de l'hôpital universitaire de St. Pölten, centre d'enseignement et de recherche de KL Krems, développe depuis de nombreuses années des méthodes d'apprentissage automatique et d'apprentissage profond pour automatiser ces analyses et les intégrer aux procédures cliniques de routine. Une nouvelle avancée vient d'être réalisée.

« Les patients dont les cellules de gliome sont porteuses d'une forme mutée du gène de l'isocitrate déshydrogénase (IDH) ont en réalité un meilleur pronostic clinique que ceux porteurs de la forme sauvage », explique le professeur Andreas Stadlbauer, physicien médical au Zentralinstitut. « Cela signifie que plus tôt nous connaissons le statut mutationnel, mieux nous pouvons individualiser le traitement. » Les différences de métabolisme énergétique entre les tumeurs mutées et les tumeurs sauvages y contribuent. Grâce aux travaux antérieurs de l'équipe du professeur Stadlbauer, celles-ci peuvent être facilement mesurées par IRM physiométabolique, même sans prélèvement de tissus. Cependant, l'analyse et l'évaluation des données sont un processus très complexe et chronophage, difficile à intégrer en pratique clinique, d'autant plus que les résultats sont nécessaires rapidement en raison du pronostic défavorable des patients.

Dans l'étude actuelle, l'équipe a utilisé des méthodes d'apprentissage automatique pour analyser et interpréter ces données afin d'obtenir des résultats plus rapidement et de pouvoir initier les traitements appropriés. Mais quelle est la précision des résultats? Pour l'évaluer, l'étude a d'abord utilisé les données de 182 patients de l'hôpital universitaire de St. Pölten, dont les données d'IRM ont été collectées selon des protocoles standardisés.

« Lorsque nous avons constaté les résultats de nos algorithmes d'apprentissage automatique », explique le professeur Stadlbauer, « nous avons été très satisfaits. Nous avons obtenu une précision de 91,7 % et de 87,5 % pour distinguer les tumeurs porteuses de la forme sauvage du gène de celles porteuses de la forme mutée. Nous avons ensuite comparé ces valeurs aux analyses d'apprentissage automatique de données d'IRM clinique classique et avons pu démontrer que l'utilisation de données d'IRM physiométaboliques comme base donnait des résultats nettement supérieurs. »

Cependant, cette supériorité n'a été observée que lors de l'analyse des données collectées à St. Pölten selon un protocole standardisé. Ce n'était pas le cas lorsque la méthode ML était appliquée à des données externes, c'est-à-dire des données IRM provenant d'autres bases de données hospitalières. Dans ce cas, la méthode ML entraînée sur des données IRM cliniques classiques s'est avérée plus performante.

La raison pour laquelle l'analyse ML des données d'IRM physiométabolique a donné de moins bons résultats est que la technologie est encore jeune et en phase de développement expérimental. Les méthodes de collecte de données varient encore d'un hôpital à l'autre, ce qui entraîne des biais dans l'analyse ML.

Pour le scientifique, le problème est « uniquement » celui de la standardisation, qui se posera inévitablement avec l'utilisation croissante de l'IRM physiométabolique dans les différents hôpitaux. La méthode elle-même – évaluation rapide des données d'IRM physiométabolique par des méthodes d'apprentissage automatique – a donné d'excellents résultats. Il s'agit donc d'une excellente approche pour déterminer le statut mutationnel de l'IDH des patients atteints de gliome avant la chirurgie et pour personnaliser les options thérapeutiques.

Les résultats de l'étude ont été publiés dans la revue de l'Université des sciences de la santé Karl Landsteiner (KL Krems).