Un outil d’IA accélère la classification des tumeurs lors d’une chirurgie cérébrale – Physics World

Un outil d’IA accélère la classification des tumeurs lors d’une chirurgie cérébrale – Physics World

Horodatage: 20 novembre 2023, 4 h 30

Séquençage rapide de l'ADN
Classification rapide La combinaison du séquençage de l'ADN avec des modèles de réseaux neuronaux accélère considérablement l'identification du type de tumeur cérébrale pendant la chirurgie. (Avec l'aimable autorisation de l'UMC Utrecht)

Pour un neurochirurgien, l'ablation des tissus cancéreux dans le cerveau est un délicat exercice d'équilibre entre maximiser la quantité de tumeur retirée pour prolonger la survie d'un patient et minimiser le risque de dommages neurologiques permanents. Un nouvel outil qui combine le séquençage rapide de l'ADN et l'intelligence artificielle pour classer les tumeurs du système nerveux central (SNC) lors d'une chirurgie du cancer du cerveau permet aux neurochirurgiens de prendre de meilleures décisions sur l'étendue de la résection tumorale qui bénéficiera le plus au patient.

Les chirurgiens ont une connaissance limitée du type de tumeur avant l’intervention chirurgicale. Au début de l’intervention chirurgicale, des sections de tissu tumoral sont retirées pour une évaluation histologique immédiate. Mais le séquençage de l’ADN pour analyse histologique et moléculaire par un pathologiste nécessite généralement une semaine pour établir un diagnostic définitif.

En comparaison, le nouvel outil – nommé Sturgeon par son équipe multi-institutionnelle de développeurs aux Pays-Bas – peut établir un diagnostic précis en 90 minutes pour la plupart des tumeurs du SNC. Et une fois qu’ils connaissent le type de tumeur et son agressivité, les neurochirurgiens peuvent modifier leur stratégie chirurgicale en salle d’opération selon la classification de la tumeur.

"Pendant l'intervention chirurgicale, un petit reste de tissu tumoral est parfois délibérément laissé sur place pour éviter des dommages neurologiques", explique le neurochirurgien pédiatrique. Eelco Hoving dans un communiqué de presse. « Mais s’il s’avère plus tard, par exemple, que la tumeur est très agressive, une deuxième intervention chirurgicale peut encore être nécessaire pour retirer ce dernier reste. Cela peut être évité maintenant car nous saurons déjà lors de la première intervention chirurgicale à quel type de tumeur nous avons affaire.

Rapportant leurs découvertes dans Nature, les chercheurs – de UMC Utrecht, UMC d'Amsterdam et par Centre d'oncologie pédiatrique Princess Máxima – expliquer comment ils ont créé, formé et testé l’outil. Ils décrivent également son utilisation lors de 25 interventions chirurgicales, au cours desquelles Sturgeon a classé avec précision 72 % des tumeurs en moins de 45 minutes.

Sturgeon fonctionne en utilisant le séquençage rapide des nanopores, une technologie qui permet de lire l'ADN en temps réel, pour obtenir un profil de méthylation clairsemé pendant la chirurgie. Les modèles de méthylation sont des modifications de l'ADN très distinctives d'un type de tumeur individuel, permettant une sous-classification moléculaire des tumeurs du SNC. Le classificateur de réseau neuronal est indépendant du patient, ce qui signifie qu’il ne nécessite pas de formation sur un modèle spécifique au patient et qu’il ne prend que quelques secondes pour s’exécuter sur un ordinateur portable.

En raison de la disponibilité limitée des ensembles de données de méthylation basés sur les nanopores, Hauts Bastiaan, Jéroen de Ridder et ses collègues ont développé une stratégie pour générer des données de formation réalistes à partir de profils de méthylation standard basés sur des matrices. Sturgeon utilise ces données pour suréchantillonner le nombre d’échantillons d’entraînement disponibles, simulant ainsi des milliers d’expériences uniques de séquençage de nanopores à partir de chaque profil de méthylation de tumeur. En fin de compte, les modèles finaux de Sturgeon ont été formés sur 36.8 millions d’essais de nanopores simulés et validés sur 4.2 millions supplémentaires.

Les chercheurs ont initialement formé Sturgeon à effectuer une classification des tumeurs du SNC et les ont appliqués à des données de séquençage de nanopores clairsemées dans 50 échantillons de tumeurs du SNC et à un ensemble de données accessible au public d'échantillons séquencés du SNC. Le modèle a correctement classé 45 des 50 échantillons de tumeurs, dans les 40 minutes suivant le début du séquençage, avec des résultats similaires pour l'ensemble de données publiques.

Pour valider spécifiquement les performances de Sturgeon dans le diagnostic des tumeurs pédiatriques du SNC, l'équipe a obtenu 94 profils de méthylation de patients pédiatriques ayant subi une résection d'une tumeur du SNC et les a utilisés pour simuler des expériences de séquençage de nanopores. Pour les cas avec un diagnostic clair, Sturgeon a correctement classé (à un seuil de confiance de 0.8) 95.3 % des 34,000 25 échantillons simulés en 97.1 minutes et 50 % en XNUMX minutes.

« Ces résultats suggèrent qu'un diagnostic concluant peut être atteint dans les 25 à 50 minutes suivant un séquençage simulé pour la grande majorité des cas pédiatriques pouvant être classés… avec un taux d'erreur très faible », écrivent-ils.

L'équipe a également démontré l'utilisation de l'esturgeon lors de 20 chirurgies pédiatriques au Centre Princess Máxima et de cinq chirurgies chez les adultes à l'UMC d'Amsterdam. Pour cette étude de faisabilité clinique, les échantillons obtenus pour l'évaluation histologique ont été divisés, une partie étant utilisée pour le séquençage peropératoire et l'autre pour l'évaluation histologique. Les chercheurs rapportent que Sturgeon a correctement diagnostiqué 18 des 25 tumeurs en moins de 45 minutes de séquençage, avec un temps d'exécution diagnostique total inférieur à 90 minutes.

L’une des limites de Sturgeon est qu’il ne fonctionne bien que dans des échantillons suffisamment représentés dans les données d’entraînement, qui n’incluent pas de types rares de tumeurs du SNC. L’esturgeon n’est pas non plus aussi performant lors de l’analyse d’échantillons contenant moins de 50 % de cellules anormales. De plus, de grands échantillons de tissus (environ 5 mm3), sont nécessaires pour fournir une concentration suffisante d’ADN.

Les chercheurs disent Monde de la physique que les développements futurs de cette méthode incluront l'application à d'autres types de tumeurs, tels que le sarcome ou la leucémie, ainsi qu'une validation prospective pour démontrer les bénéfices pour les patients et des études sur une population de patients beaucoup plus large.

Horodatage:

Plus de Monde de la physique