Dans Le but De Lutter Contre Le Cancer Le Plus Répandu Au Monde, Des Chercheurs Chinois Ont Mis Au Point Le Système De Notation Pronostique Du Cancer Du Sein MIRS.
Les dernières données sur la charge mondiale du cancer pour 2020 publiées par le Centre international de recherche sur le cancer (CIRC) de l'Organisation mondiale de la santé ont montré que le nombre de nouveaux cas de cancer du sein dans le monde a augmenté rapidement en 2020, atteignant 2,26 millions, remplaçant officiellement le cancer du poumon comme premier cancer mondial pour la première fois. Parmi eux, le nombre de nouveaux cas de cancer du sein chez les femmes dans mon pays s’élève à 420 000, se classant au premier rang, dépassant de loin les autres types de cancer chez les femmes.
En raison de son taux élevé de complications et de son taux de mortalité élevé, le cancer du sein menace gravement la santé des femmes dans le monde entier. Mais si elle peut être détectée tôt et traitée selon les meilleures pratiques, les taux de survie devraient s’améliorer considérablement. Selon l’American Cancer Society, le taux de mortalité par cancer du sein a diminué de 40% entre 1989 et 2016.
Ces dernières années, l’intelligence artificielle a fait de grands progrès dans l’imagerie médicale, la pathologie et les systèmes d’aide à la décision. Il a défini trois axes de recherche majeurs dans le domaine de la pathologie du cancer du sein : la détection d'images de division nucléaire au niveau cellulaire, la détection et la segmentation de la zone tumorale au niveau régional et l'analyse quantitative de l'immunohistochimie.
Les cellules immunitaires infiltrant les tumeurs (TIIC) et les métastases tumorales sont des caractéristiques importantes des tumeurs dans le corps humain. Il n'y a pas longtemps,Des chercheurs de l'Université du Kentucky, de l'Université des sciences et technologies de Macao, de l'Université de Macao et du premier hôpital affilié de l'Université médicale de Guangzhou ont utilisé un modèle de réseau neuronal pour établir un système de notation pronostique précis, MIRS (score de risque de métastase et immunogénomique), pour le score de risque de métastase tumorale et immunogénomique.Il s’agit d’un outil prédictif qui est presque universellement applicable aux patientes atteintes d’un cancer du sein, offrant de nouvelles orientations pour la sélection des traitements dans la population atteinte d’un cancer du sein.
Points saillants de la recherche :
* MIRS, un système de notation permettant de prédire le pronostic et le traitement du cancer du sein, peut être utilisé pour guider la formulation de stratégies de traitement pour les patientes atteintes d'un cancer du sein.
* Cette étude a analysé l’impact des métastases et de l’infiltration immunitaire sur le pronostic du cancer du sein
* MIRS peut fournir des indications pour différents sous-types BRCA, et IVL a le niveau d'expression le plus élevé dans le sous-type TNBC
L'auteur correspondant de cet article, Xiaohua Douglas Zhang, est professeur de biostatistique à l'Université du Kentucky. Il a obtenu un doctorat. en statistiques de l'Université Carnegie Mellon, un EMBA en gestion de la Guanghua School of Management de l'Université de Pékin, une maîtrise en génétique de l'Université de Pékin et une licence en biologie de l'Université normale de Pékin. Il convient de mentionner qu’il a également travaillé chez Merck pendant 14 ans et a occupé le poste de scientifique en chef principal.
Page d'accueil personnelle :
https://cph.uky.edu/directory/xiaohua-zhang
Obtenez le papier :
https://doi.org/10.1016/j.isci.2023.108322
Suivez le compte officiel et répondez « MIRS » pour obtenir le PDF complet
Ensemble de données : Sélection des gènes différentiellement exprimés
Cette étude a d'abord appliqué l'analyse d'un ensemble de gènes à échantillon unique (ssGSEA) pour éliminer les scores d'enrichissement de 45 caractéristiques immunitaires liées au microenvironnement tumoral chez les patientes atteintes d'un cancer du sein à partir de la base de données TCGA (The Cancer Genome Atlas).
Sur la base de ces données, l’étude a également utilisé une méthode de regroupement hiérarchique pour diviser les patients en groupes à forte infiltration de cellules immunitaires et en groupes à faible infiltration de cellules immunitaires. Par la suite, les chercheurs ont identifié 1 222 gènes différentiellement exprimés (DEG) entre les groupes d’infiltration cellulaire immunitaire élevée et faible grâce au test de somme des rangs de Wilcoxon.
Parallèlement, afin de détecter les gènes liés aux métastases, l'étude a également réalisé un test de somme des rangs de Wilcoxon entre les patientes atteintes de métastases du cancer du sein et les patientes primaires sur la base de deux cohortes majeures GEO (Gene Expression Omnibus), GSE10893 (n=18) et GSE3521 (n=75), et a éliminé 2159 gènes différentiellement exprimés (DEG). Après chevauchement avec les 1222 gènes précédents, il a été découvert qu'il contenait 52 gènes chevauchants.
Sur la base de ces 52 gènes qui se chevauchent, les chercheurs ont examiné 12 gènes liés à la survie globale (SG) des patients et ont établi un modèle pronostique de réseau neuronal, à savoir MIRS, pour ces 12 gènes. Sur la base du score MIRS, l’étude a finalement divisé les patients en sous-types MIRS-élevé et MIRS-faible, et a utilisé le score MIRS pour guider la chimiothérapie ou l’immunothérapie.
Architecture du modèle : Le modèle de réseau neuronal a montré les meilleures performances prédictives
Les chercheurs ont ensuite divisé les 12 gènes candidats examinés parmi les 52 gènes en gènes protecteurs et gènes à risque. Pour les gènes protecteurs, une valeur de « 0 » est attribuée lorsque le statut d’expression du gène est supérieur à la moyenne de l’échantillon, et une valeur de « 1 » est attribuée lorsqu’il est inférieur à la moyenne ; pour les gènes dangereux, une valeur de « 1 » est attribuée lorsque l'état d'expression du gène est supérieur à la moyenne de l'échantillon, et une valeur de « 0 » est attribuée lorsqu'il est inférieur à la moyenne.
Par la suite, les chercheurs ont divisé aléatoirement la cohorte TCGA (N = 1100) en données d'entraînement et données de test dans un rapport de 7:3, et ont utilisé quatre méthodes d'apprentissage automatique, notamment le réseau neuronal (NN), la régression statistique (LR), la forêt aléatoire (RF) et la machine à vecteurs de support (SVM), pour établir un système de notation pronostique basé sur 12 gènes candidats.
Comme le montre la figure ci-dessous, l’analyse de la courbe ROC montre que le modèle de réseau neuronal présente les meilleures performances de prédiction, quelle que soit la manière dont l’ensemble d’entraînement ou l’ensemble de test évolue.
Sur cette base, l'étude a également utilisé un réseau neuronal classique avec une couche cachée pour établir un modèle pronostique comme le montre la figure ci-dessous, définissant le réseaun1 = W1,1je1 + W2,1je2 +…+ W12,1je12 + b1, où W est le poids de chaque nœud d'entrée et ij (j = 1,2…12) est l'état « 0-1 » du gène.
Dans la couche de sortie, l'étude a utilisé Tensorflow et Keras pour construire un réseau neuronal, utilisé ReLU comme fonction d'activation dans la couche cachée, appliqué la fonction Softmax aux nœuds « survie » et « mort » de la couche de sortie, utilisé l'erreur d'entropie croisée comme fonction de perte et utilisé l'algorithme Adam pour optimiser les poids des gènes pronostiques. Après l'entraînement, le coefficient de chaque gène pronostique est déterminé par le poids maximal de la couche cachée.
Voici deux exemples de calculs MIRS en action :
Conclusion de la recherche : le sous-type MIRS-faible est plus susceptible de métastaser et la chimiothérapie est plus bénéfique pour le sous-type MIRS-élevé
Cette étude a examiné plus en détail la corrélation entre les profils du génome immunitaire et le MIRS chez les patientes atteintes d’un cancer du sein à l’aide de l’algorithme ESTIMATE. Les résultats ont montré que le sous-type MIRS-low avait une proportion plus élevée de cellules immunitaires et de cellules stromales, mais une pureté tumorale plus faible. Cela suggère qu’il existe des niveaux plus élevés de cellules immunitaires infiltrant la tumeur dans le sous-type MIRS-low.
De plus, cette étude a également réalisé des scores ssGSEA sur 17 voies liées au système immunitaire entre les deux sous-types MIRS. Les résultats ont montré que les niveaux d’infiltration immunitaire étaient significativement plus élevés dans le sous-type MIRS-faible par rapport au sous-type MIRS-élevé dans presque toutes les voies.
De plus, cette étude a également exploré la corrélation entre le score MIRS et les métastases cancéreuses. Dans le sous-type MIRS-low, il y a eu une régulation positive de l'activité des facteurs de signalisation métastatique, y compris l'hypoxie, la signalisation TGF-β, l'angiogenèse et les scores de transition épithéliale-mésenchymateuse (EMT) (Figures 2F et 2H). Dans le même temps, les chercheurs ont observé une augmentation de l’activité du macrophage M1 (Figure 2D ci-dessous) et de l’angiogenèse (Figure 2F ci-dessous) dans le sous-type MIRS-low, ce qui est cohérent avec les vues précédentes. De plus, MIRS était corrélé négativement avec les gènes marqueurs de l'angiogenèse (Figure 1G).
En conclusion, le sous-type MIRS-low avec une infiltration immunitaire élevée peut être plus sujet aux métastases.
Étant donné que le sous-type MIRS-low présente une forte infiltration de TIIC dans le TME, théoriquement, les patients atteints du sous-type MIRS-low devraient être sensibles au traitement par blocage des points de contrôle immunitaire (ICB), et MIRS a finalement également montré que le sous-type MIRS-low peut être plus sensible au traitement par ICB que le sous-type MIRS-high.
et le score immunophénotypique (IPS)
L’étude a également analysé la corrélation entre le MIRS et la chimiothérapie. L’analyse de survie a montré que le taux de survie des patients atteints du sous-type MIRS-haut après chimiothérapie était plus élevé que celui des patients atteints du sous-type MIRS-bas. En outre, l’étude a révélé que le taux de survie des patients présentant un MIRS élevé qui ont reçu une chimiothérapie était significativement plus élevé que celui des patients présentant un MIRS élevé qui n’ont pas reçu de chimiothérapie. Ces résultats indiquent queLa chimiothérapie peut être plus bénéfique pour le sous-type MIRS-high.
Sous-types de cancer du sein triple négatif : le test MIRS révèle des cibles génétiques pronostiques potentielles
Parmi les sous-types de cancer du sein, les progrès du traitement du cancer du sein triple négatif (TNBC) sont encore confrontés à de nombreux défis, et il est urgent de trouver davantage de biomarqueurs capables d’améliorer le pronostic. Comparé au sous-type MIRS-low, le sous-type MIRS-high a un taux de survie plus faible, il peut donc être utilisé comme gène cible candidat pour la progression du TNBC. Cinquante-huit gènes étaient significativement surexprimés dans le sous-type MIRS-high.
Par la suite, les chercheurs ont utilisé trois algorithmes d’apprentissage automatique, XGboost, Borota RF et Elastic net lasso regression (ElasticNet), pour sélectionner les gènes les plus critiques. Finalement, 9 gènes dominants ont été trouvés dans le diagramme de Venn de 4 groupes de gènes. Les courbes de survie ont montré que le niveau d’expression de l’IVL (Involucrine) affecte les résultats de survie de différents sous-types de cancer du sein.
Association avec le sous-type de tumeur
De plus, IVL avait le niveau d’expression le plus élevé dans le sous-type TNBC et le niveau d’expression le plus faible dans le sous-type BRCA. Grâce à l’analyse des marqueurs des voies liées à la migration cellulaire, les voies de migration cellulaire ont été considérablement enrichies dans le groupe IVL élevé. Ces résultats suggèrent que l’IVL pourrait être une cible potentielle pour explorer le pronostic des sous-types de TNBC.
Il existe une voie METASCAPE significative
Le diagnostic et le traitement du cancer du sein en sont encore au stade de l’intelligence artificielle faible
Les médecins jouent un rôle essentiel dans le diagnostic et le traitement du cancer du sein. Cependant, il faut beaucoup de temps et d’efforts pour former un chirurgien mammaire qualifié. Aujourd’hui, l’application de l’intelligence artificielle offre davantage de puissance médicale pour le cancer du sein et devrait réduire l’incidence élevée et la mortalité du cancer du sein.
Cependant, la recherche actuelle en IA sur le diagnostic et le traitement des maladies du sein se concentre principalement sur la mammographie mammaire, l'échographie, la technologie d'apprentissage profond pour les données d'images pathologiques, ainsi que sur le diagnostic du cancer du sein et la prise de décision en matière de traitement, la gestion hospitalière et d'autres branches et domaines.Il existe un manque de conception de haut niveau pour l'intégration de plusieurs modèles d'apprentissage en profondeur, c'est-à-dire qu'il existe un manque de modèles d'apprentissage en profondeur capables de mettre à jour, de stocker et d'analyser des informations réelles en temps réel, et d'intégrer le diagnostic de lecture d'images par intelligence artificielle, le traitement individualisé et la prédiction des risques.
Afin d'accélérer l'innovation dans les technologies liées à l'intelligence artificielle et le développement industriel, mon pays a proposé dans le plan « Chine saine 2030 » publié dès 2016 que le diagnostic et le traitement des maladies du sein soient avancés. À l’avenir, l’intelligence artificielle fera de grands progrès dans l’application du diagnostic et du traitement des maladies du sein. Les « Lignes directrices du CSCO sur le diagnostic et le traitement du cancer du sein 2021 » proposent en outre : Le groupe d'experts encourage la conduite de recherches cliniques liées à l'intelligence artificielle et le développement de systèmes d'intelligence artificielle dotés de droits de propriété intellectuelle indépendants dans mon pays.
En Chine, on recense environ 400 000 nouveaux cas de cancer du sein chaque année, dont plus de 701 TP3T proviennent de villes de troisième et quatrième rang, et le nombre de patients est de plus en plus jeune et urbanisé. Ces dernières années, les gouvernements locaux ont continuellement augmenté leurs investissements dans le dépistage du cancer du sein chez les femmes, et de plus en plus de femmes en ont bénéficié. Ils espèrent également que l’intelligence artificielle sera en mesure d’explorer de nouvelles solutions contre le cancer à l’avenir.
Références :