Structure de l’étude et principales caractéristiques de la cohorte de formation. un Points temporels et variables clés dans l’ensemble de données (à gauche) et étapes de la stratégie de modélisation (à droite). Voir également la figure supplémentaire S1 pour plus d’informations. b Cours de traitement des 92 patients de la cohorte NeOV, classés en fonction de la réponse tumorale volumétrique décroissante après NACT. Les patients analysés dans l’ensemble de validation retenu ont été sélectionnés au hasard et sont indiqués par un triangle vert. Les parcours de traitement progressent verticalement (de bas en haut) et s’alignent au moment du premier cycle de chimiothérapie. Des biomarqueurs supplémentaires obtenus au départ sont représentés dans la carte thermique du bas. c Sites de maladie primaire et métastatique dans HGSOC. d Répartition des volumes tumoraux par site pour les patients de la cohorte de formation. e Répartition des sites tumoraux par patient. F Modifications de volume de la maladie omentale et pelvienne/ovarienne pour tous les patients de la cohorte de formation. p valeur obtenue à partir du Mann-Whitney bilatéral U test. g Changement de volume total et spécifique au site stratifié par statut de réponse RECIST 1.1 pour la cohorte de formation. p valeur obtenue à partir du coefficient de corrélation bisériale ponctuelle, bilatérale. h Changement de volume total et spécifique au site stratifié par BRCA statut de mutation. Ces chiffres se limitent à n = 45 patients de la cohorte de formation pour lesquels le BRCA le statut de mutation était connu. p valeur obtenue à partir du Mann-Whitney bilatéral U test. Les encadrés indiquent les quartiles supérieur et inférieur, avec une ligne à la médiane. Les valeurs aberrantes sont représentées sous forme de cercles et identifiées via la règle de la plage interquantile. Les données sources sont fournies sous forme de fichier de données sources. Crédit: Communications naturelles(2023). DOI : 10.1038/s41467-023-41820-7
Un modèle basé sur l’intelligence artificielle est capable de prédire le résultat du traitement (mesuré par la réduction volumétrique des lésions tumorales) chez 80 % des patientes atteintes d’un cancer de l’ovaire. Le modèle basé sur l’IA a une précision de 80 %, bien meilleure que les méthodes cliniques actuelles.
L’outil, nommé IRON (Integrated Radiogenomics for Ovarian Neoadjuvant Therapy), analyse diverses caractéristiques cliniques des patients, de l’ADN tumoral circulant dans le sang (biopsie liquide) aux caractéristiques générales (âge, état de santé, etc.), en passant par les marqueurs tumoraux et les images de la maladie. obtenu grâce aux tomodensitogrammes. Sur la base de cette analyse, il fournit une prédiction de la probabilité de succès de la thérapie.
Cette réalisation découle d’une étude récente publiée dans Communications naturelles , menée sur 134 patientes atteintes d’un cancer de l’ovaire de haut grade. L’étude a été coordonnée par le professeur Evis Sala, président d’imagerie diagnostique et de radiothérapie de la faculté de médecine et de chirurgie de l’université catholique et directeur du centre de radiologie avancée de la Policlinico Universitario A. Gemelli IRCCS. Le modèle d’IA a été initialement développé par l’équipe du professeur Sala de l’Université de Cambridge.
Le cancer de l’ovaire touche plus de cinq mille femmes chaque année en Italie, s’ajoutant aux trente mille patientes déjà diagnostiquées. En raison de l’absence de symptômes précoces spécifiques, le diagnostic survient souvent à des stades avancés de la maladie. Le carcinome séreux de l’ovaire de haut grade, constituant 70 à 80 % des tumeurs ovariennes, est particulièrement agressif et fréquemment résistant à la chimiothérapie. Actuellement, la prédiction de la réponse thérapeutique pour ce type de tumeur n’est précise qu’à 50 %.
De plus, il existe peu de biomarqueurs cliniquement utiles pour ce type de cancer en raison de sa forte hétérogénéité, variant considérablement d’un patient à l’autre. Cela a conduit au développement d’un outil basé sur l’intelligence artificielle capable de prédire avec précision les répondeurs à la chimiothérapie.
L’étude
“Nous avons compilé deux ensembles de données indépendants avec un total de 134 patients (92 cas dans le premier ensemble de données, 42 dans le deuxième ensemble de tests indépendants)”, ont expliqué le professeur Sala et le Dr Mireia Crispin Ortuzar de Cambridge. Pour tous les patients, les cliniciens ont collecté des données cliniques, notamment des informations démographiques et des détails sur le traitement, ainsi que des biomarqueurs sanguins comme le CA-125 et l’ADN tumoral circulant (ADNct). Les caractéristiques quantitatives de la tumeur dérivées des images tomodensitométriques de tous les sites tumoraux primaires et métastatiques ont également été obtenues.
Les localisations omentales et pelviennes/ovariennes (communes à la propagation du cancer de l’ovaire) représentaient initialement la majorité de la charge de morbidité. Les dépôts omentaux ont montré une réponse significativement meilleure au traitement néoadjuvant par rapport à la maladie pelvienne. Les mutations tumorales (par exemple, TP53 MAF évaluées sur l’ADN circulant) et le marqueur CA-125 ont été corrélées à la charge globale de la maladie avant le traitement et la réponse thérapeutique.
En outre, une analyse avancée des images tomodensitométriques a révélé six sous-groupes de patients présentant des caractéristiques biologiques et cliniques distinctes, indicatives de la réponse thérapeutique. Toutes ces caractéristiques tumorales ont été utilisées comme données d’entrée pour les algorithmes d’intelligence artificielle qui forment collectivement l’outil. Le modèle développé a ensuite été entraîné et son efficacité a été validée sur un échantillon de patients indépendant.
“D’un point de vue clinique, le cadre proposé répond au besoin non satisfait d’identifier les patients peu susceptibles de répondre au traitement néoadjuvant et pouvant être orientés vers une intervention chirurgicale immédiate”, a souligné le professeur Sala.
“L’outil pourrait être appliqué pour stratifier le risque de chaque patient individuel dans les futures recherches cliniques menées à Policlinico Gemelli en collaboration avec l’équipe du professeur Giovanni Scambia, titulaire de la chaire de gynécologie et d’obstétrique de la Faculté de médecine et de chirurgie de l’Université catholique et directeur scientifique de la Fondation Policlinico Universitario Agostino Gemelli IRCCS”, conclut le professeur Sala.
Plus d’information:
Mireia Crispin-Ortuzar et al, Les modèles radiogénomiques intégrés prédisent la réponse à la chimiothérapie néoadjuvante dans le cancer séreux de l’ovaire de haut grade, Communications naturelles(2023). DOI : 10.1038/s41467-023-41820-7
Fourni par l’Université Cattolica del Sacro Cuore
Citation: Cancer de l’ovaire : l’intelligence artificielle prédit les réponses thérapeutiques (13 novembre 2023) récupéré le 13 novembre 2023 sur
Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni seulement pour information.
