MIA-Prognosis : un cadre d’apprentissage profond pour prédire la réponse au traitement

La prédiction des issues cliniques est d’une importance capitale, bien qu’elle demeure un défi majeur. Des efforts de recherche ont été consacrés à l’identification de biomarqueurs significatifs associés à la réponse au traitement ou/et à la survie des patients. Toutefois, ces biomarqueurs sont généralement coûteux, invasifs et peuvent s’avérer insatisfaisants pour les nouveaux traitements. D’un autre côté, des données temporelles multimodales, hétérogènes et non alignées sont continuellement générées dans la pratique clinique. Ce papier vise à proposer une approche unifiée basée sur l’apprentissage profond pour prédire le pronostic des patients et leur réponse au traitement, en s’appuyant sur des données facilement accessibles, telles que les imageries radiologiques, les résultats d’analyses biologiques et les informations cliniques. Les travaux antérieurs se concentrent principalement sur la modélisation d’un seul type de données ou ignorent les évolutions temporelles. Il est important de noter que, en pratique, les séries temporelles cliniques sont asynchrones, c’est-à-dire enregistrées à des intervalles irréguliers. Dans cette étude, nous formalisons la modélisation du pronostic comme une tâche de classification de séries temporelles multimodales asynchrones, et proposons un cadre MIA-Prognosis intégrant des informations relatives aux mesures, aux interventions et aux évaluations (MIA), afin de prédire la réponse au traitement. Un module d’attention temporelle simple (SimTA) est spécifiquement conçu pour traiter les séries temporelles asynchrones. Des expériences sur un jeu de données synthétique démontrent l’avantage de SimTA par rapport aux approches classiques basées sur les réseaux récurrents. En outre, nous évaluons la méthode proposée sur un jeu de données rétrospectif interne comprenant des patients atteints de cancer du poumon non à petites cellules traités par immunothérapie anti-PD-1. Le modèle obtient des performances prometteuses dans la prédiction de la réponse à l’immunothérapie. Notamment, notre modèle prédictif permet de stratifier davantage les patients en groupes à faible risque et à haut risque en termes de survie à long terme.