Le directeur médical de Paige, le Dr Juan Retamero, a présenté un produit lors de la réunion annuelle du College of American Pathologists (CAP) de 2022. Il a expliqué comment l’intelligence artificielle (IA) pouvait être utilisée pour aider les pathologistes à examiner les cas de cancer du sein.
Le Dr Retamero a commencé par un examen historique des études fondamentales qui ont prouvé que l’IA était capable de contribuer à l’identification du cancer avec une précision de niveau clinique. Une étude en particulier, celle de Campanella et al. a montré que l’apprentissage par instances multiples (MIL) était un modèle particulièrement efficace pour la formation de l’IA. 1 de telle sorte qu’elle puisse trouver des cancers dans les données de n’importe quelle institution, quelles que soient les variations pré-analytiques, sans qu’il soit nécessaire de procéder à des réglages supplémentaires, ce qui est essentiel pour utiliser l’IA dans les laboratoires du monde réel. Sur la base de cette étude, de nombreuses applications d’IA ont maintenant été mises sur le marché, dont celle de Paige, qui utilise cette approche pour identifier en toute sécurité le cancer de la prostate, du sein et d’autres cas d’utilisation spécifiques.
Ce contexte étant posé, le Dr Retamero a ensuite souligné certains des défis que le diagnostic du cancer du sein peut présenter, et comment l’IA conçue pour aider les pathologistes dans le diagnostic du cancer du sein peut contribuer à atténuer certains de ces défis. Il a tout d’abord cité une étude de 2015 qui a révélé que la concordance des diagnostics de cancer du sein entre pathologistes par rapport à un diagnostic de vérité terrain n’est pas toujours parfaite – dans plusieurs cas, jusqu’à un quart des pathologistes ont qualifié de cancéreuse une lame bénigne, et à l’inverse, plusieurs pathologistes ont qualifié de bénigne une lame maligne.Ainsi, l’utilisation d’une IA dont il a été prouvé qu’elle offrait une sensibilité élevée pour la détection des cancers du sein, comme Paige Breast, en tant qu’outil de deuxième avis, pourrait offrir une aide à la décision améliorée qui aiderait les pathologistes à s’assurer qu’ils parviennent à un diagnostic dans lequel ils ont confiance.
Un deuxième défi dans le diagnostic du cancer du sein est que l’identification des métastases des ganglions lymphatiques est souvent effectuée par un pathologiste généraliste plutôt que par un spécialiste. Une étude menée aux Pays-Bas en 2012 a révélé que lorsqu’un groupe de spécialistes a examiné les stades nodaux diagnostiqués par des pathologistes généralistes, jusqu’à 24 % de ces patients ont dû être remontés.Par conséquent, l’IA formée sur un ensemble de données robuste pourrait offrir une sensibilité accrue qui pourrait aider tous les pathologistes à poser un diagnostic au niveau des spécialistes. Le ganglion lymphatique du sein de Paige, en particulier, a prouvé qu’il permettait d’améliorer l’efficacité des pathologistes et d’accroître la sensibilité de la détection des métastases, notamment à travers de petits micromètres qui pourraient autrement être plus difficiles.4
De plus, le comptage des mitoses, en particulier au microscope, est connu des pathologistes pour être l’un des éléments les plus fastidieux – voire désagréables – du processus de diagnostic. Lorsque cela est fait manuellement, il peut être difficile non seulement de suivre le décompte dans une région spécifique, mais aussi de savoir quelles régions ont déjà été examinées et comptabilisées. C’est là que l’IA intervient. Une IA telle que Paige Mitosis Detect peut indiquer aux pathologistes les régions présentant les plus fortes concentrations de mitoses et calculer automatiquement le nombre de mitoses par millimètre carré dans ces points chauds, de manière à réduire la pénibilité du comptage des mitoses et à permettre aux pathologistes de poser un diagnostic plus sûr.
L’étape finale du diagnostic des cancers du sein est l’évaluation des biomarqueurs à travers le Ki-67, les récepteurs d’œstrogènes (ER), les récepteurs de progestérone (PR) et le HER2, qui se fait aujourd’hui par immunohistochimie (IHC), hybridation in situ (ISH/FISH) et évaluation par le pathologiste seul. Toutefois, le Dr Retamero a fait référence à un article de 2016 selon lequel, lorsqu’ils sont assistés par l’IA, les pathologistes font preuve d’une meilleure différenciation entre la classification luminale A et la classification luminale B, ainsi que d’une meilleure classification HER2.Cela suggère qu’une fois encore, comme c’est le cas dans de nombreux autres processus de diagnostic, le pouvoir des pathologistes et de l’IA est plus fort que celui de l’un ou l’autre.
L’avancée la plus excitante dans l’application de l’IA au diagnostic du cancer du sein est sans doute son potentiel à changer la façon dont nous abordons et diagnostiquons le HER2. Traditionnellement, nous avons traité HER2 chez environ 15 % des patients. Récemment, cependant, il a été démontré qu’un nouveau sous-ensemble de patients que nous considérons comme HER2-faible pourrait également bénéficier d’un traitement HER2. Le problème est que les tests HER2 que nous utilisons aujourd’hui ne sont pas conçus pour diagnostiquer les patients se situant à l’extrémité inférieure du spectre HER2. L’IA peut changer cela.
HER2Complete, le test HER2 alimenté par l’IA de Paige, exploite les modèles cyto-architecturaux dans les tissus pour identifier les sous-ensembles d’expression de HER2 dans l’IHC-0, en particulier les véritables maladies HER2-négatives. Entraîné par des méthodes protéomiques et d’expression génique orthogonales, HER2Complete peut identifier l’expression de HER2 chez les patients actuellement classés comme négatifs à l’IHC (ou IHC-0), en plus de l’expression chez les patients à faible HER2 (IHC1+ et 2+/FISH négatifs). Cette approche est destinée à compléter les tests IHC existants, en identifiant potentiellement les véritables cancers du sein exprimant HER2 en utilisant uniquement les lames de biopsie ou de résection diagnostique. Grâce à l’IA, nous pensons qu’à l’avenir, les pathologistes pourront identifier un plus grand nombre de patients susceptibles de bénéficier d’un traitement contre le cancer HER2.
Le Dr Retamero a conclu en nous rappelant que les outils d’IA sont conçus pour aider les pathologistes à établir un diagnostic, et non pour diagnostiquer à la place d’un pathologiste. La beauté de l’IA réside uniquement dans le fait qu’elle crée des efficacités dans le travail que les pathologistes maîtrisent déjà et qu’elle offre un soutien supplémentaire dans les domaines qui peuvent être difficiles. Notant qu’en fin de compte, tout revient à la morphologie, quelle que soit la façon dont on la découpe. L’IA n’est que le moyen d’exploiter plus efficacement les informations contenues dans les tissus. Et, armés de ces informations, un moyen d’aider les pathologistes à guider en toute confiance l’ensemble de l’équipe de soins du cancer du sein afin de garantir la meilleure expérience possible aux patients.
Références
1Campanella, G., Hanna, M.G., Geneslaw, L. et al. Pathologie informatique de niveau clinique utilisant un apprentissage profond faiblement supervisé sur des images de lames entières. Nat Med 25, 1301-1309 (2019).
2Elmore, Joann G., et al. « Concordance diagnostique entre les pathologistes interprétant les spécimens de biopsie mammaire ». Jama 313.11 (2015) : 1122-1132.
3VestjensJHMJ, Pepels MJ, de Boer M, et al. Impact pertinent de la révision de la pathologie centrale sur la classification nodale chez les patientes individuelles atteintes d’un cancer du sein. Ann Oncol. 2012;23(10):2561-2566. doi:10.1093/annonc/mds072
4Selonune étude clinique expérimentale impliquant 3 pathologistes et les données de 148 patients.
5StålhammarG, Fuentes Martinez N, Lippert M, et al. L’analyse d’image numérique surpasse l’évaluation manuelle des biomarqueurs dans le cancer du sein. Mod Pathol. 2016;29(4):318-329. doi:10.1038/modpathol.2016.34
6Tarantino, P. et al., (2020) J Clin Oncol. 10;38(17):1951-1962.
