Une IA conçue pour mieux prédire les risques de métastases

Anticiper les risques de propagation d'un cancer dans l'organisme est un exercice qui demeure extrêmement difficile. Pour aider les médecins, des chercheurs de l'UNIGE ont développé un algorithme capable de prédire l'apparition de métastases avec une assez grande précision.

Les métastases restent la principale cause de mortalité de la plupart des cancers, et notamment les cancers du côlon, du sein et du poumon. À ce jour, le premier signe détectable de cette diffusion de la maladie est la présence dans le sang ou dans le système lymphatique de cellules tumorales dites circulantes.

Or, à un tel stade, il est trop tard pour empêcher la dissémination. C'est pour cette raison que des scientifiques de l'UNIGE ont conçu MangroveGS, un outil basé sur l'intelligence artificielle. L'algorithme fonde ses prédictions en analysant l'expression de gènes issus de cellules tumorales.

«On a commencé par se demander comment une cellule tumorale prend la décision de devenir métastatique», explique Ariel Ruiz i Altaba, qui a dirigé les travaux. Un mécanisme moléculaire permet donc de prédire la formation de récidive de métastase à partir des expressions des gènes. MangroveGS peut exploiter des dizaines, voire des centaines de signatures de gènes. «Le système devient donc robuste et généralisable», ajoute le professeur.

Précision de 80%

Après entraînement, le modèle a atteint une précision proche de 80% pour prédire la survenue de métastases et de récidives du cancer du côlon. Ce résultat est bien supérieur aux outils déjà existants. MagnroveGS a été testé pour le cancer du côlon, mais il pourrait également faire des prédictions pour d'autres types de cancers, estomac, poumon ou sein.

Grâce à MangroveGS, des prélèvements sur la tumeur suffisent. Les cellules peuvent être analysées et leur ARN séquencé à l'hôpital. Le score de risque métastatique peut, ensuite, être transmis rapidement aux oncologues et aux patients.

Des études cliniques prospectives doivent désormais tester la robustesse de ce modèle qui pourrait révolutionner la médecine.