Un ensemble de données d’imagerie de la chromatine à grande échelle et à haute résolution permet l’analyse des stades de la maladie et des catégories phénotypiques dans le CCIS. Crédit : Nature Communications (2024). DOI : 10.1038/s41467-024-50285-1
Le carcinome canalaire in situ (CCIS) est un type de tumeur préinvasive qui évolue parfois vers une forme de cancer du sein extrêmement mortelle. Il représente environ 25 % de tous les diagnostics de cancer du sein.
Comme il est difficile pour les cliniciens de déterminer le type et le stade du CCIS, les patients atteints de ce type de cancer sont souvent traités de manière excessive. Pour remédier à ce problème, une équipe interdisciplinaire de chercheurs du MIT et de l’ETH Zurich a développé un modèle d’IA capable d’identifier les différents stades du CCIS à partir d’une image de tissu mammaire peu coûteuse et facile à obtenir. Leur modèle montre que l’état et la disposition des cellules dans un échantillon de tissu sont tous deux importants pour déterminer le stade du CCIS.
Comme ces images de tissus sont si faciles à obtenir, les chercheurs ont pu constituer l’un des plus grands ensembles de données de ce type, qu’ils ont utilisé pour entraîner et tester leur modèle. Lorsqu’ils ont comparé ses prédictions aux conclusions d’un pathologiste, ils ont constaté une concordance claire dans de nombreux cas.
À l’avenir, le modèle pourrait être utilisé comme un outil pour aider les cliniciens à rationaliser le diagnostic des cas plus simples sans avoir recours à des tests fastidieux, leur donnant ainsi plus de temps pour évaluer les cas où il est moins clair si le CCIS deviendra invasif.
« Nous avons fait le premier pas vers la compréhension de la nécessité d’examiner l’organisation spatiale des cellules lors du diagnostic du CCIS, et nous avons maintenant développé une technique évolutive. À partir de là, nous avons vraiment besoin d’une étude prospective. Travailler avec un hôpital et amener tout cela jusqu’à la clinique sera une étape importante », déclare Caroline Uhler, professeure au Département de génie électrique et d’informatique (EECS) et à l’Institute for Data, Systems, and Society (IDSS).
Uhler, co-auteur correspondant d’un article sur cette recherche, est rejoint par l’auteur principal Xinyi Zhang, étudiant diplômé de l’EECS et du Centre Eric et Wendy Schmidt ; l’auteur co-correspondant GV Shivashankar, professeur de méchogénomique à l’ETH Zurich conjointement avec l’Institut Paul Scherrer ; et d’autres au MIT, à l’ETH Zurich et à l’Université de Palerme en Italie. La recherche en libre accès a été publiée le 20 juillet dans Nature Communications.
Combiner l’imagerie avec l’IA
Entre 30 et 50 % des patients atteints de CCIS développent un stade hautement invasif du cancer, mais les chercheurs ne connaissent pas les biomarqueurs qui pourraient indiquer à un clinicien quelles tumeurs progresseront.
Les chercheurs peuvent utiliser des techniques telles que la coloration multiplexée ou le séquençage d’ARN sur cellule unique pour déterminer le stade du CCIS dans les échantillons de tissus. Cependant, ces tests sont trop coûteux pour être réalisés à grande échelle, explique Shivashankar.
Dans des travaux antérieurs, ces chercheurs ont montré qu’une technique d’imagerie bon marché connue sous le nom de coloration de la chromatine pouvait être aussi informative que le séquençage d’ARN monocellulaire, beaucoup plus coûteux.
Pour cette recherche, ils ont émis l’hypothèse que la combinaison de cette coloration unique avec un modèle d’apprentissage automatique soigneusement conçu pourrait fournir les mêmes informations sur le stade du cancer que des techniques plus coûteuses.
Ils ont d’abord créé un ensemble de données contenant 560 images d’échantillons de tissus provenant de 122 patients à trois stades différents de la maladie. Ils ont utilisé cet ensemble de données pour former un modèle d’IA qui apprend une représentation de l’état de chaque cellule dans une image d’échantillon de tissu, qu’il utilise pour déduire le stade du cancer d’un patient.
Cependant, toutes les cellules ne sont pas révélatrices d’un cancer, les chercheurs ont donc dû les regrouper de manière significative.
Ils ont conçu le modèle pour créer des groupes de cellules dans des états similaires, identifiant huit états qui sont des marqueurs importants du CCIS. Certains états cellulaires sont plus révélateurs d’un cancer invasif que d’autres. Le modèle détermine la proportion de cellules dans chaque état dans un échantillon de tissu.
L’organisation est importante
« Mais dans le cancer, l’organisation des cellules change également. Nous avons découvert qu’il ne suffit pas de connaître les proportions de cellules dans chaque état. Il faut aussi comprendre comment les cellules sont organisées », explique Shivashankar.
Grâce à ces connaissances, ils ont conçu le modèle pour prendre en compte la proportion et la disposition des états cellulaires, ce qui a considérablement amélioré sa précision.
« Ce qui nous a intéressé, c’était de voir à quel point l’organisation spatiale était importante. Des études précédentes avaient montré que les cellules proches du canal mammaire étaient importantes. Mais il est également important de considérer quelles cellules sont proches de quelles autres cellules », explique Zhang.
En comparant les résultats de leur modèle avec ceux d’échantillons évalués par un pathologiste, ils ont constaté une concordance claire dans de nombreux cas. Dans les cas moins évidents, le modèle a pu fournir des informations sur les caractéristiques d’un échantillon de tissu, comme l’organisation des cellules, que le pathologiste a pu utiliser pour prendre des décisions.
Ce modèle polyvalent pourrait également être adapté pour être utilisé dans d’autres types de cancer, voire dans des maladies neurodégénératives, un domaine que les chercheurs explorent actuellement.
« Nous avons montré qu’avec les bonnes techniques d’IA, cette simple coloration peut être très puissante. Il reste encore beaucoup de recherches à faire, mais nous devons prendre en compte l’organisation des cellules dans un plus grand nombre de nos études », explique Uhler.
Plus d’information:
Xinyi Zhang et al, L’apprentissage de représentation non supervisé d’images de chromatine identifie les changements dans l’état cellulaire et l’organisation tissulaire dans le DCIS, Nature Communications (2024). DOI : 10.1038/s41467-024-50285-1
Cet article est republié avec l’aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l’actualité de la recherche, de l’innovation et de l’enseignement au MIT.
Citation:Un modèle d’IA identifie certains stades de tumeurs du sein susceptibles d’évoluer vers un cancer invasif (2024, 22 juillet) récupéré le 22 juillet 2024 à partir de
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 à titre d’information uniquement.