Révolutionner le diagnostic du cancer du sein ! Ce n'est pas seulement l'IA, les mathématiques font évoluer le diagnostic du cancer du sein

Les tissus prélevés lors d'un examen du cancer du sein sont minutieusement examinés au microscope par un pathologiste.

Il ne s'agit pas seulement de vérifier la présence de cellules cancéreuses. Le pathologiste évalue à quel point la forme des cellules diffère des tissus normaux, si la structure originale des glandes mammaires est préservée, si les cellules sont disposées de manière ordonnée ou si elles se dispersent de manière désordonnée. En combinant ces diverses caractéristiques, le pathologiste détermine le type et le degré de malignité du cancer.

Pour établir un plan de traitement du cancer du sein, de nombreuses informations sont utilisées, telles que la présence de récepteurs sensibles aux hormones féminines, la protéine appelée HER2, la capacité de prolifération des cellules, la taille de la tumeur, et la métastase aux ganglions lymphatiques.

Cependant, il n'est pas facile de prédire avec précision comment le cancer évoluera pour chaque patient et quel traitement sera le plus efficace.

Pour relever ces défis, une équipe de recherche de l'Université de Columbia a présenté une nouvelle méthode d'évaluation utilisant la "topologie", une branche des mathématiques.

L'objectif de l'équipe de recherche était de représenter de manière continue, sous forme de chiffres, l'ordre ou le désordre des tissus tumoraux que les pathologistes évaluaient visuellement. En transformant la structure des tissus en données calculables, il pourrait être possible de prédire plus précisément la durée de survie des patients et leur réponse au traitement.

Les tissus normaux et cancéreux diffèrent dans leur "disposition"

Dans une glande mammaire normale, les cellules maintiennent des rôles et des positions spécifiques, formant des structures telles que les canaux lactifères et les lobules.

Cependant, lorsque les cellules deviennent cancéreuses, cet ordre est progressivement perdu. La taille et la forme des cellules deviennent irrégulières, et la forme des noyaux devient également irrégulière. La structure glandulaire, qui devrait normalement être présente, s'effondre, et les frontières des groupes de cellules deviennent floues.

En général, les tumeurs qui conservent une structure proche des tissus normaux peuvent progresser relativement lentement. En revanche, les tumeurs qui ont perdu un ordre significatif dans leur structure peuvent se développer et s'infiltrer activement dans les tissus environnants.

Les pathologistes ont observé ces changements de structure depuis longtemps.

Cependant, il est difficile de quantifier complètement des formes complexes uniquement à l'œil humain. Bien qu'il existe des critères clairs pour le diagnostic pathologique, il existe des différences subtiles qui ne peuvent être exprimées par les quelques niveaux de grade.

Même parmi les patients classés dans le même grade, la réponse au traitement et le risque de récidive ne sont pas nécessairement identiques. L'équipe de recherche a tenté d'extraire mathématiquement les différences subtiles qui étaient cachées dans la classification traditionnelle.

Analyse de 555 tissus de cancer du sein

Dans cette étude, les données tissulaires de 555 patientes atteintes de cancer du sein, issues principalement de Caroline du Nord aux États-Unis et présentant des antécédents divers, ont été analysées.

L'équipe de recherche a utilisé une technique appelée immunofluorescence multiplexe pour identifier plusieurs cellules et molécules présentes dans les tissus tumoraux.

L'analyse comprenait non seulement les cellules cancéreuses, mais aussi les cellules immunitaires telles que les cellules T CD8 positives, les cellules associées aux macrophages, et les cellules stromales entourant la tumeur. L'expression de PD-L1, impliquée dans le mécanisme de suppression de la réponse immunitaire, a également été examinée.

L'équipe de recherche ne s'est pas contentée de compter le nombre de cellules.

Ils ont enregistré la position de chaque cellule dans le tissu sous forme de coordonnées et ont analysé comment les cellules cancéreuses se regroupaient, à quelle distance les cellules immunitaires s'approchaient des cellules cancéreuses, et quel type d'espace existait entre les groupes de cellules.

En d'autres termes, ils ont examiné non seulement "combien de cellules il y a", mais aussi "où se trouvent les cellules et quelles relations elles établissent entre elles".

Mesurer la forme des tissus avec la "homologie persistante"

La méthode mathématique utilisée pour quantifier la disposition complexe des cellules est appelée "homologie persistante".

C'est une méthode qui examine les formes, les connexions et les structures en forme de trous présentes dans les données à partir de différentes échelles.

Il est plus facile de comprendre en considérant chaque cellule comme un point marqué sur une carte.

On dessine un petit cercle autour de chaque point, puis on agrandit progressivement ces cercles. Tant que les cercles sont petits, les cellules existent en tant que points indépendants. Lorsque les cercles deviennent plus grands, les cellules proches commencent à se connecter, formant plusieurs groupes.

En élargissant encore les cercles, les groupes distincts se rejoignent. Au cours de ce processus, des espaces ou des trous entourés par des groupes de cellules apparaissent et finissent par disparaître.

L'homologie persistante calcule à quelle échelle chaque groupe ou espace apparaît et combien de temps il persiste.

Les structures qui disparaissent rapidement peuvent être des variations aléatoires ou du bruit sur l'image. En revanche, les structures qui persistent à travers les changements d'échelle sont susceptibles de refléter des caractéristiques essentielles du tissu.

L'équipe de recherche a converti ces informations en valeurs numériques exploitables par l'analyse statistique et l'apprentissage automatique. Ensuite, ils ont combiné la distance entre les cellules, la densité cellulaire, la forme des groupes, l'intensité de PD-L1, etc., pour créer un score indiquant l'ordre des tissus tumoraux.

Un score élevé indique une structure tissulaire relativement ordonnée. Un score bas indique que la disposition des cellules est fortement perturbée, augmentant le désordre du tissu.

Les patients avec un ordre tissulaire élevé ont de meilleurs résultats

Les résultats de l'étude ont montré que le score basé sur la topologie était lié à la durée de survie des patientes atteintes de cancer du sein.

Les patientes avec un score élevé, indiquant une structure tissulaire relativement ordonnée, avaient tendance à avoir une durée de survie plus longue et un meilleur pronostic. En revanche, les tumeurs avec un score bas, indiquant une perte d'ordre tissulaire, étaient associées à une nature plus agressive.

L'analyse de la structure des cellules tumorales seule avait une certaine capacité prédictive, et l'ajout d'informations sur les cellules immunitaires et PD-L1 pouvait améliorer la performance du modèle.

L'article de recherche rapporte que l'indicateur basé sur la topologie a montré une précision de prédiction du pronostic supérieure à celle de certains marqueurs génétiques et protéiques traditionnels.

Cependant, cela ne signifie pas que les tests traditionnels deviennent inutiles.

Le pronostic du cancer du sein dépend de nombreux facteurs, tels que la taille de la tumeur, le stade, le type moléculaire, le traitement, l'âge et l'état de santé du patient. Le nouveau score est attendu comme une information supplémentaire aux tests existants, plutôt qu'un remplacement.

Possibilité de différences de prédiction réduites selon la race ou l'ethnicité

L'étude a également révélé que la capacité prédictive de l'indicateur topologique était relativement stable entre les patientes noires non hispaniques et blanches non hispaniques.

Les modèles prédictifs médicaux peuvent voir leur précision diminuer dans certains groupes en fonction de la composition des données utilisées pour leur développement.

Il a été rapporté que certains biomarqueurs traditionnels présentent des différences de performance prédictive selon la race ou l'ethnicité. L'indicateur topologique, comparé à ceux-ci, a montré une tendance à des variations de performance plus faibles selon le groupe de patients.

Une technologie capable de maintenir une précision stable pour une diversité de patients est également importante pour ne pas exacerber les disparités médicales.

Cependant, ce résultat seul ne prouve pas l'équité. La race et l'ethnicité ne sont pas de simples classifications biologiques, mais sont également liées à l'accès aux soins médicaux, à l'environnement de vie, au revenu, au temps avant le début du traitement, et à plusieurs facteurs sociaux.

Pour une utilisation dans différents pays ou régions, des validations impliquant un groupe de patients plus large seront nécessaires.

Prédire la réponse au traitement en combinant avec des informations génétiques

L'équipe de recherche a également combiné le score topologique obtenu à partir des images tissulaires avec des données d'expression génique.

En conséquence, un groupe de gènes associé aux caractéristiques de la structure tissulaire a été identifié, et une "signature génique dérivée de la topologie" a été créée.

Lorsqu'elle a été appliquée à d'autres données d'essais cliniques sur le cancer du sein, cette signature génique a montré un potentiel pour prédire la réponse à la chimiothérapie administrée avant la chirurgie.

Dans le cancer du sein, un traitement visant à réduire la taille de la tumeur en administrant des médicaments anticancéreux ou des thérapies ciblées avant la chirurgie est parfois effectué.

Un état où aucun cancer invasif n'est détecté dans l'échantillon chirurgical après le traitement est appelé "réponse pathologique complète" et est un indicateur important pour envisager le pronostic ultérieur.

À l'avenir, en intégrant la forme des tissus, les gènes, les protéines et les informations cliniques des patients, il pourrait être possible de déterminer plus individuellement "quel traitement est le plus efficace pour ce patient".

Cependant, à ce stade, le score topologique ne peut pas être utilisé pour choisir les médicaments de traitement. Ce qui a été démontré ici est la possibilité que des informations sur la réponse au traitement soient également contenues dans la structure tissulaire, et des validations supplémentaires sont essentielles pour une utilisation clinique.

Le désordre tissulaire est également lié au métabolisme et à l'immunité

L'étude a suggéré que le désordre de la structure tissulaire n'est pas seulement un changement visuel, mais pourrait également être lié au métabolisme interne de la tumeur et à l'activité immunitaire.

Un score topologique bas était associé à des voies géniques impliquées dans la migration cellulaire, l'invasion, l'immunosuppression et le phénomène appelé transition épithélio-mésenchymateuse.

L'équipe de recherche s'est particulièrement intéressée à un mécanisme reliant l'enzyme métabolique IL4I1 et le récepteur appelé AHR.

Cette voie pourrait être liée à la prolifération et à la migration des cellules cancéreuses, ainsi qu'à la suppression de la réponse immunitaire. L'étude a montré que les tumeurs avec une activité métabolique élevée dans cette voie avaient tendance à avoir une structure tissulaire désordonnée.

Cependant, on ne sait pas encore quelle est la cause et quel est l'effet.

Les changements métaboliques ou immunitaires entraînent-ils la désorganisation de la structure tissulaire, ou est-ce que la désorganisation des tissus entraîne des changements dans l'environnement métabolique ou immunitaire, ou les deux s'influencent-ils mutuellement ? Pour confirmer la relation causale, d'autres expériences sont nécessaires.

Ce n'est pas une "technique de détection précoce du cancer du sein"

Il y a un point particulièrement important à noter pour comprendre cette étude.

Cette méthode n'est pas une technique de dépistage pour détecter un cancer du sein non encore découvert, comme la mammographie ou l'échographie.

Il s'agit d'une méthode pour analyser en détail les tissus tumoraux déjà prélevés chez les patients, afin d'évaluer la nature du cancer, le pronostic et la réponse au traitement.

Dans les titres des nouvelles, elle peut être décrite comme une "méthode pour améliorer le diagnostic", mais il serait plus précis de la considérer comme une technologie pour aider au diagnostic pathologique et à la prédiction du pronostic.

De plus, la coloration par immunofluorescence multiplexe utilisée dans cette étude n'est pas un test couramment utilisé dans toutes les institutions médicales.

L'équipe de recherche vise à développer une méthode qui peut également être analysée avec des colorations largement utilisées dans les examens pathologiques courants, telles que la coloration H&E, et à l'appliquer au diagnostic pathologique standard.

Si elle peut être utilisée sur des lames pathologiques standard, elle pourrait élargir l'analyse d'images avancée non seulement aux grands hôpitaux universitaires, mais aussi aux établissements médicaux régionaux et aux endroits où les ressources médicales sont limitées.

Attentes pour la médecine personnalisée sur les réseaux sociaux

Les résultats de la recherche ont également été présentés sur les comptes de réseaux sociaux des départements médicaux, du centre de cancérologie et du département de pathologie de l'Université de Columbia.

Sur le compte officiel X de l'Université de Columbia, la recherche a été présentée comme une étude évaluant les motifs des tissus du cancer du sein d'une nouvelle manière pour prédire le pronostic des patients. Dans les publications du centre de cancérologie, l'accent a été mis sur la conversion de la structure tissulaire en biomarqueurs basés sur la topologie.

Sur Instagram, la recherche a été présentée comme une "grande nouvelle" pour avoir été couverte par les médias grand public. Elle a été promue comme une étude croisant les mathématiques, la pathologie et l'analyse d'images numériques.

Medical Xpress a également présenté la recherche sur X et Facebook, mettant en avant le fait de "mesurer la structure des tissus du cancer du sein sous forme de score continu". Elle a été partagée par des comptes diffusant des informations médicales, s'étendant comme un nouvel exemple de pathologie numérique et de médecine personnalisée.

Les principales réactions lisibles à