Un nouvel outil d’intelligence artificielle, SMMILe (Superpatch-based Measurable Multiple Instance Learning), développé par des chercheurs de l’Université de Cambridge, permet d’analyser rapidement et avec précision des images de tissus cancéreux provenant de biopsies ou d’opérations. Contrairement aux outils existants, qui nécessitent des lames de tissu soigneusement annotées par des pathologistes à l’échelle de chaque région, SMMILe est entraîné à partir de données simples, telles que le diagnostic global (type ou grade de cancer) associé à chaque lame, sans besoin d’annotations détaillées. Malgré cette information limitée, l’algorithme parvient à cartographier avec précision la localisation des lésions tumorales, à estimer les proportions de zones présentant différentes agressivités et à identifier des sous-types de tumeurs au sein d’un même échantillon. Testé sur huit jeux de données comprenant 3 850 images numériques de lames entières couvrant six types de cancer (poumon, rein, ovaire, sein, estomac et prostate), SMMILe a surpassé ou égalé les neuf meilleurs outils d’analyse d’images numériques existants pour la classification au niveau de la lame. Plus important encore, il excelle dans la quantification spatiale des lésions, fournissant des informations détaillées sur la répartition et la proportion des différentes sous-espèces tumorales — une capacité cruciale pour comprendre la complexité interne des tumeurs. Selon le Dr Zeyu Gao, développeur de l’algorithme au Early Cancer Institute de Cambridge, « le cancer n’est pas homogène. Une même tumeur peut contenir plusieurs sous-types, certains plus agressifs que d’autres. Notre modèle ne se contente pas de dire « oui, il y a un cancer », il cartographie ces sous-types et leurs proportions. Cela pourrait un jour permettre aux médecins de personnaliser les traitements avec une précision sans précédent ». Dr Mireia Crispin-Ortuzar, co-dirigeante du Cancer Research UK Cambridge Centre Integrated Cancer Medicine Virtual Institute, compare SMMILe à un « sonar » capable de « voir dans le noir » : alors que certaines technologies permettent de révéler la distribution des cellules tumorales, elles sont coûteuses et peu accessibles. En revanche, SMMILe fonctionne avec des données peu coûteuses et largement disponibles. Les chercheurs envisagent désormais d’utiliser SMMILe pour prédire des biomarqueurs moléculaires — des signatures biologiques révélatrices du comportement d’une tumeur — ouvrant la voie à une médecine personnalisée combinant l’imagerie histologique et les données biologiques. Cette approche pourrait transformer le diagnostic et le traitement du cancer, permettant aux patients de bénéficier plus rapidement des thérapies les plus adaptées à leur cas. Financé principalement par Cancer Research UK et GE HealthCare, ce projet représente une avancée majeure dans la pathologie numérique. Selon Dr Dani Skirrow, gestionnaire de l’information scientifique chez Cancer Research UK, « ces résultats prometteurs montrent comment l’intelligence artificielle peut accélérer le passage à une médecine personnalisée ». Des études cliniques supplémentaires seront nécessaires pour valider son efficacité en pratique, mais les résultats préliminaires sont encourageants. Parallèlement, l’Université de Cambridge et le Addenbrooke's Charitable Trust (ACT) lancent une campagne de financement pour construire le Cambridge Cancer Research Hospital, un centre intégré sur le campus biomédical de Cambridge, combinant recherche de pointe et soins cliniques innovants. Ce projet ambitionne de révolutionner le diagnostic et le traitement du cancer en Grande-Bretagne et au-delà.