Un outil d'apprentissage automatique offre de l'espoir pour le diagnostic des cancers d'origine inconnue

La plupart des cancers prennent naissance dans une partie spécifique du corps, ce qui rend crucial pour les médecins d'en identifier la source afin de traiter les patients efficacement. Cependant, dans trois à cinq pour cent des cas, le bilan diagnostique standard ne parvient pas à identifier le site primaire, entraînant un pronostic sombre pour ceux qui souffrent de cette condition connue sous le nom de Cancer d'Origine Inconnue (COI). Souvent, les médecins recourent à des traitements larges qui sont moins efficaces et accompagnés de plus d'effets secondaires que les thérapies ciblées. Par conséquent, les patients atteints de COI font face à une progression rapide de la maladie, avec des taux de survie ne dépassant en moyenne que six à seize mois.

Présentation d'OncoNPC : Une solution d'apprentissage automatique

Intae Moon, doctorant au Massachusetts Institute of Technology (MIT) et à l'Institut du cancer Dana-Farber, cherchait à révolutionner le diagnostic du site primaire de la COI. Bien que le séquençage de nouvelle génération (NGS) puisse identifier les mutations tumorales et aider à déterminer les types de cancer, la vaste quantité de données de mutations générées peut submerger les médecins lors du diagnostic initial. Typiquement, le NGS n'est utilisé qu'après l'identification du type de cancer pour repérer des mutations spécifiques pour les thérapies ciblées. Cependant, le NGS n'avait pas été largement exploré pour le diagnostic clinique et le pronostic de la COI. Moon et ses collègues ont développé un modèle d'apprentissage automatique appelé OncoNPC (Oncology NGS-based Primary Cancer-type Classifier) pour combler cette lacune. Cette approche innovante vise à analyser efficacement les données de mutations complexes.

Libérer la puissance de l'apprentissage automatique

Publié dans Nature Medicine, l'étude exploite les capacités de l'algorithme XGBoost pour examiner les régions de l'ADN afin d'y détecter des schémas de mutations génétiques fortement associés à divers types de cancer. S'appuyant sur les données NGS de 36 445 échantillons tumoraux dont le cancer primaire est connu, les chercheurs ont utilisé OncoNPC pour identifier les mutations génétiques, les altérations du nombre de copies et les signatures mutationnelles. Le modèle a également intégré l'âge des patients et le sexe biologique provenant des dossiers de santé électroniques. En entraînant OncoNPC sur des données provenant de trois centres cancérologiques différents aux États-Unis, l'équipe a lié des signatures génétiques spécifiques à 22 types de cancer différents. Après l'entraînement, ils ont évalué les performances d'OncoNPC sur des données précédemment exclues, atteignant un taux de précision impressionnant.

Un phare d'espoir pour les patients atteints de COI

En appliquant OncoNPC aux tumeurs de 971 patients atteints de COI traités à l'Institut du cancer Dana-Farber, les chercheurs ont réussi à classer 41,2 % des tumeurs de COI avec une grande confiance. De plus, ils ont identifié les caractéristiques génétiques les plus pertinentes pour identifier chaque type de cancer, fournissant des informations cliniques et biologiques inestimables sur la nature énigmatique des tumeurs de COI.

Étant donné que les sites tumoraux primaires étaient inconnus dans ces cas, la précision du modèle a été validée en comparant les résultats aux données NGS des patients afin d'identifier toute prédisposition génétique à un type de cancer spécifique. De manière encourageante, les prédictions du modèle étaient étroitement alignées avec le type de cancer indiqué le plus fortement par ces mutations héréditaires.

Améliorer la survie des patients grâce à un traitement de précision

Pour évaluer l'impact du traitement des patients selon les prédictions d'OncoNPC sur leur survie, l'équipe a réalisé une analyse rétrospective de 158 patients atteints de COI qui ont reçu leur traitement initial à Dana-Farber. Des oncologues certifiés ont examiné les dossiers des patients pour déterminer si les traitements correspondaient aux prédictions de type de cancer d'OncoNPC. Les résultats étaient prometteurs, montrant que les patients atteints de COI dont le premier traitement palliatif correspondait aux prédictions d'OncoNPC ont connu des taux de survie significativement améliorés par rapport à ceux dont les traitements ne correspondaient pas.

Perspectives et horizons élargis

Les chercheurs ont des plans ambitieux pour l'avenir d'OncoNPC. Bien que le modèle ait démontré des performances décentes pour les patients de divers horizons ethniques, des recherches supplémentaires sont nécessaires pour confirmer son efficacité auprès de patients diversifiés. De plus, OncoNPC se concentre sur les 22 types de cancer les plus courants et peut ne pas identifier la source si la COI provient d'un site moins courant.

Cependant, l'impact potentiel d'OncoNPC dans le domaine médical est indéniable. Les hôpitaux utilisant le séquençage tumoral NGS pourraient l'intégrer comme source d'information supplémentaire pour les oncologues, ouvrant la voie à des décisions de traitement du cancer plus précises et efficaces. Cette percée, ancrée dans les données de tests cliniques de routine, offre de l'espoir à de nombreux patients atteints de COI, dont le pronostic a longtemps été sombre.

Dans la bataille implacable contre le cancer, l'émergence d'OncoNPC représente un rayon d'espoir pour les patients atteints de Cancer d'Origine Inconnue. Avec sa précision impressionnante dans l'identification des types de cancer et le potentiel d'améliorer la survie des patients grâce à un traitement de précision, cet outil d'apprentissage automatique pourrait révolutionner la façon dont les médecins diagnostiquent et gèrent cette condition difficile. Bien qu'il y ait des défis à surmonter et des recherches supplémentaires à effectuer, le potentiel d'OncoNPC à faire une différence dans la vie des patients atteints de COI est à la fois prometteur et révolutionnaire.