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

Les méthodes d'apprentissage automatique (ML) peuvent diagnostiquer rapidement et précisément les mutations des gliomes - tumeurs cérébrales primitives.

Ceci est confirmé par une étude récente menée par l'Université des sciences médicales Karl Landsteiner (KL Krems). Dans cette étude, les données d’imagerie par résonance magnétique (IRM) physiométaboliques ont été analysées à l’aide de méthodes ML pour identifier les mutations dans un gène métabolique. Les mutations de ce gène ont un impact significatif sur l’évolution de la maladie et un diagnostic précoce est important pour le traitement. L'étude montre également qu'il existe actuellement des normes incohérentes pour l'obtention d'images IRM physiométaboliques, ce qui entrave l'utilisation clinique de routine de la méthode.

Les gliomes sont les tumeurs cérébrales primitives les plus courantes. Malgré le pronostic 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 dans le cerveau. Les techniques d'imagerie telles que l'imagerie par résonance magnétique (IRM) peuvent fournir de telles données, mais leur analyse est complexe, demande beaucoup de travail et prend du temps. L'Institut central de radiologie médicale diagnostique de l'hôpital universitaire de St. Pölten, la base d'enseignement et de recherche du KL Krems, développe depuis de nombreuses années des méthodes d'apprentissage automatique et profond pour automatiser de telles analyses et les intégrer dans les opérations cliniques de routine. Aujourd'hui, une autre avancée a été réalisée.

"Les patients dont les cellules de gliome portent une forme mutée du gène de l'isocitrate déshydrogénase (IDH) ont en réalité de meilleures perspectives cliniques que ceux dont les cellules sont de type sauvage", explique le professeur Andreas Stadlbauer, physicien médical à l'Institut central. "Cela signifie que plus tôt nous connaîtrons le statut de la mutation, mieux nous pourrons individualiser le traitement." Les différences dans le métabolisme énergétique des tumeurs mutées et de type sauvage y contribuent. Grâce aux travaux antérieurs de l'équipe du professeur Stadlbauer, ils peuvent être facilement mesurés par IRM physiométabolique, même sans prélèvement de tissus. Cependant, l'analyse et l'évaluation des données sont un processus très complexe et long, difficile à intégrer dans la pratique clinique, notamment parce que les résultats sont nécessaires rapidement en raison du mauvais pronostic des patients.

Dans la présente étude, l'équipe a utilisé des méthodes de ML pour analyser et interpréter ces données afin d'obtenir des résultats plus rapidement et de pouvoir lancer les étapes de traitement appropriées. Mais quelle est la précision des résultats? Pour évaluer cela, l'étude a d'abord utilisé les données de 182 patients de l'hôpital universitaire de St. Pölten, dont les données IRM ont été collectées à l'aide de protocoles standardisés.

"Lorsque nous avons vu les résultats de l'évaluation de nos algorithmes de ML", explique le professeur Stadlbauer, "nous avons été très satisfaits. Nous avons atteint une précision de 91,7 % et une précision de 87,5 % pour distinguer les tumeurs portant le gène de type sauvage de celles présentant une forme mutée. Nous avons ensuite comparé ces valeurs avec des analyses ML de données d'IRM cliniques classiques et avons pu montrer que l'utilisation de données d'IRM physiométaboliques comme base produisait des résultats significativement meilleurs."

Cependant, cette supériorité n'a été maintenue que lors de l'analyse des données collectées à St. Pölten à l'aide d'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 cette situation, la méthode ML entraînée sur les données IRM cliniques classiques a eu plus de succès.

La raison pour laquelle l'analyse des données physiométaboliques d'IRM à l'aide de ML a donné de moins bons résultats est que la technologie est encore jeune et au stade expérimental de développement. 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 réside « seulement » dans 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 physiométaboliques de l’IRM à l’aide des méthodes ML – a donné d’excellents résultats. Il s'agit donc d'une excellente approche pour déterminer le statut de mutation IDH chez les patients atteints de gliome en préopératoire et pour individualiser les options de traitement.

Les résultats de l'étude ont été publiés dans la revue Karl Landsteiner University of Health Sciences (KL Krems).