Une équipe de chercheurs de la Mayo Clinic, dirigée par le Dr Gelareh Zadeh, a démontré que l'intelligence artificielle peut analyser des lames de pathologie standard pour classer les méningiomes et prédire le risque de récidive tumorale. Les résultats de cette étude, publiée dans The Lancet Digital Health, ouvrent la voie à une alternative moins onéreuse aux tests génétiques complexes actuellement utilisés en clinique. Les méningiomes, tumeurs cérébrales primitives les plus fréquentes chez l'adulte, présentent des comportements très variables. Certains restent stables après l'ablation chirurgicale, tandis que d'autres sont agressifs et susceptibles de récidiver. Pour adapter le traitement, notamment la décision d'administrer une radiothérapie ou d'espacer les contrôles, les médecins s'appuient traditionnellement sur des analyses moléculaires poussées, comme le profilage de la méthylation de l'ADN. Ces tests fournissent des informations pronostiques précieuses mais restent coûteux, longs à réaliser et peu accessibles dans de nombreux établissements hospitaliers. Pour contourner ces limites, les chercheurs ont exploité des données issues de 672 patients, incluant des images histologiques classiques utilisées en routine clinique, ainsi que des données cliniques et génomiques anonymisées. Ils ont entraîné des modèles d'apprentissage profond à extraire des biomarqueurs pronostiques directement à partir de ces images, sans nécessiter d'analyses génétiques supplémentaires. Les algorithmes ont réussi à identifier avec précision les sous-types de méningiomes et à anticiper les risques de récidive, même en tenant compte de facteurs cliniques établis tels que le grade tumoral, l'étendue de la résection chirurgicale et l'âge du patient. L'étude met également en évidence la capacité de l'IA à détecter des hétérogénéités intra-tumorales, c'est-à-dire des variations biologiques au sein d'une même tumeur, qui pourraient expliquer les différences de comportement clinique. Ces observations permettent potentiellement de mieux comprendre pourquoi certains méningiomes récidivent ou répondent différemment aux traitements. Bien que ces résultats soient prometteurs, les auteurs soulignent que des études prospectives restent nécessaires avant d'intégrer ces outils dans la pratique clinique courante. Le Dr Zadeh insiste sur l'objectif de rendre ces algorithmes accessibles mondialement pour personnaliser les parcours de soins et améliorer la prise en charge des patients, avec une application future étendue à d'autres types de tumeurs. En capitalisant sur des décennies de connaissances en pathologie digitale et en génomique, cette recherche démontre comment l'intelligence artificielle peut transformer des données visuelles standards en outils pronostiques puissants, réduisant ainsi les inégalités d'accès aux diagnostics moléculaires avancés.