L’intelligence artificielle pour mieux diagnostiquer, et donc mieux soigner, certains cancers du sein

Les défauts de la recombinaison homologue (HRD) sont des anomalies génétiques qui se traduisent par une perte de capacité des cellules à réparer leur ADN quand celui-ci subit certains dommages. Ces défauts sont souvent la conséquence de mutations des gènes BRCA1 ou BRCA2. De plus, ces défauts constituent des facteurs de développement des cancers, mais ils ont l’avantage de rendre les cellules cancéreuses sensibles à certains traitements ciblés : les inhibiteurs de PARP et les sels de platine. Identifier la HRD est donc un enjeu majeur pour offrir aux patients concernés le meilleur traitement possible. Or, repérer parmi les cancers luminaux, sous-type le plus fréquent des cancers du sein, ceux associés à un défaut de la recombinaison homologue est un vrai défi étant donné leur nombre, et nécessite de mettre en œuvre des analyses de séquençage moléculaire coûteuses et encore trop peu répandues, pour de nombreuses patientes qui ne présenteront pas de mutation.

La technologie d’apprentissage profond (Deep learning) que vient juste de mettre au point le Pr Thomas Walter et son équipe Apprentissage statistique et modélisation des systèmes biologiques (Inserm U900 / Mines Paris-PSL) au Centre de recherche de l’Institut Curie, pourrait changer la donne. « Nous avons entrainé un réseau de neurones à prédire ces défauts simplement en “regardant” des éléments facilement disponibles : des échantillons de tumeurs, prélevés à l’occasion d’un traitement chirurgical, et préparés pour passer au microscope sous l’œil des médecins pathologistes », explique-t-il.

« Le Deep Learning a révolutionné l'analyse des images biomédicales et en particulier grâce à la pathologie numérique, souligne la Pre Anne Vincent-Salomon, pathologiste, spécialiste des cancers féminins, responsable du pôle de Médecine diagnostique et théranostique de l’Ensemble hospitalier de l'Institut Curie et professeure à l’université PSL. Ce nouveau programme va encore améliorer et étendre nos capacités à faire bénéficier des meilleurs traitements le plus grand nombre de patientes, en France, et plus encore dans des pays qui ne disposent pas des ressources nécessaires à un grand nombre de diagnostic moléculaire. »

Pour en savoir plus

Deep Learning identifies new morphological patterns of Homologous Recombination Deficiency in luminal breast cancers from whole slide images

Tristan Lazard, Guillaume Bataillon, Peter Naylor, Tatiana Popova, François-Clément Bidard, Dominique Stoppa-Lyonnet, Marc-Henri Stern, Etienne Decencière, Thomas Walter, Anne Vincent-Salomon