Un modèle d’intelligence artificielle prédit avec précision l’instabilité des microsatellites dans les tumeurs et identifie les cas incertains

Un tiers des personnes sont susceptibles de développer un cancer au cours de leur vie, ce qui en fait une préoccupation majeure pour la santé publique. Un indicateur clé du pronostic du cancer est le statut microsatellitaire des tumeurs — c’est-à-dire qu’elles sont stables ou instables. Ce paramètre reflète la stabilité de l’ADN au sein des tumeurs, en particulier en ce qui concerne le nombre de mutations présentes dans des régions spécifiques appelées microsatellites, qui sont des séquences courtes et répétitives de l’ADN. Lorsque ces régions accumulent des mutations en raison d’un défaut dans les mécanismes de réparation de l’ADN, on parle d’instabilité microsatellitaire (IMS). Une nouvelle étude met en avant un modèle d’apprentissage profond capable de prédire avec précision ce statut dans les tumeurs, tout en identifiant les cas où les résultats sont incertains. Ce système utilise des données d’imagerie histologique — des images microscopiques de tissus tumoraux — pour analyser des motifs morphologiques complexes que l’œil humain pourrait manquer. En s’entraînant sur des milliers d’échantillons annotés, le modèle a appris à reconnaître des signes visuels associés à l’instabilité microsatellitaire, permettant ainsi une évaluation rapide et objective. L’un des atouts majeurs de cette approche réside dans sa capacité à détecter non seulement les cas clairement instables ou stables, mais aussi ceux dont le résultat est ambigu. Ces cas incertains, souvent difficiles à interpréter même pour des pathologistes expérimentés, peuvent être signalés automatiquement par le modèle, permettant une surveillance renforcée ou une analyse complémentaire. Cela pourrait réduire les erreurs de diagnostic et améliorer la prise de décision thérapeutique. En effet, l’instabilité microsatellitaire est un marqueur important pour prédire la réponse aux traitements immunothérapeutiques. Les tumeurs présentant une IMS sont souvent plus sensibles aux médicaments qui stimulent le système immunitaire, ce qui ouvre la voie à des thérapies ciblées plus efficaces. Grâce à cette technologie, les cliniciens pourraient identifier plus rapidement les patients éligibles à ces traitements, optimisant ainsi les soins personnalisés. Ce modèle représente une avancée significative dans le domaine de la médecine de précision. En combinant l’intelligence artificielle et l’analyse d’images médicales, il offre une solution prometteuse pour améliorer la fiabilité du diagnostic, réduire les délais de prise de décision et élargir l’accès à des traitements innovants. Il s’inscrit dans une tendance croissante vers l’intégration des outils d’IA dans les laboratoires de pathologie, avec pour objectif ultime d’améliorer les résultats des patients.