Deep learning et pronostic du cancer colorectal, un certain manque de profondeur

L’émergence de meilleurs marqueurs pronostiques est nécessaire pour stratifier les patients atteints d'un cancer colorectal (CCR) à un stade précoce afin de sélectionner le traitement adjuvant le plus adapté. Le statut MSI, la recherche d’une mutation BRAF constituent des avancées de la biologie moléculaire tumorale et sont utilisées en routine. Cependant, aucun facteur biologique prédictif de l’efficacité d’une chimiothérapie adjuvante n’a été, à ce jour, identifié avec un niveau de preuve suffisant. Depuis plus de deux décennies les protocoles adjuvants utilisant des fluoropyrimidines, en combinaison avec des agents cytotoxiques tels que l'oxaliplatine, ont permis d'améliorer la survie globale d'environ 3 à 5 % pour les patients atteints d'un cancer colorectal de stade II ou IIIA. De nombreux patients sont guéris par la chirurgie seule, tandis qu'environ 25 % sont victimes d’une récidive malgré une chimiothérapie adjuvante. Le taux de mortalité associé à la chimiothérapie est voisin de 0,5 à 1 % et 20 % des malades subiront des effets secondaires importants du traitement. Le rapport bénéfice/risque pourrait être amélioré par la recherche de sous-groupes de patients présentant un risque plus élevé ou plus faible de récidive et de décès spécifique. Un biomarqueur pronostique, généré par ordinateur, a été développé en utilisant l'apprentissage en profondeur (deep learning) à partir de la scannerisation de lames anatomo-pathologiques de CCR.
Le Deep Learning est un système d’apprentissage et de classification, basé sur des « réseaux de neurones artificiels » numériques et profonds qui permettent à un ordinateur d’acquérir certaines capacités du cerveau humain. Le terme « profond » se rapporte généralement au nombre élevé (jusqu’à 150) de couches cachées du réseau de neurones. Un des types de réseaux de neurones profonds le plus répandu est le réseau de neurones à convolution ou CNN. L’entraînement des modèles s’effectue à l’aide de vastes ensembles de données labellisées et d’architectures de réseaux de neurones qui apprennent des caractéristiques directement depuis des « big data », sans avoir à effectuer une extraction manuelle. Même si un système d’images peut être automatisé par le Deep Learning, il reste entièrement basé sur les données initiales dont le scanning des lames a ici été testé avec plusieurs appareils avant d’être numérisé. Le choix des algorithmes informatiques comporte néanmoins un phénomène de boite noire, inhérent à l’intelligence artificielle utilisée (CNN) sans validation interne pour les applications cliniques. Une intervention humaine experte demeure encore indispensable pour valider la précision des résultats de ce nouveau biomarqueur face à la survie spécifique du cancer à 3 ans. Si on compare le groupe de bon pronostic vs les groupes de pronostic incertain et mauvais, les résultats ne sont pas optimaux: la sensibilité médiane est alors de 52 %, la spécificité de 78 %, la valeur prédictive positive faible de 19 %, la valeur prédictive négative importante de 94 % et la proportion des patients correctement classés n’atteint que 76 %. À l'avenir, tout biomarqueur basé sur l'apprentissage profond et l’intelligence artificielle doit être évalué prospectivement chez les patients ayant des attributs cliniques bien définis, bénéficiant d'un traitement standard et d'une évaluation de suivi à plus long terme.

Dr Sylvain Beorchia