Pour engager des traitements plus efficaces et mieux évaluer le pronosticpronostic vital, tout l'enjeu est d'identifier précisément le type de tumeurtumeur tumeur cérébrale auquel on a affaire. Classiquement, le diagnosticdiagnostic se fait par histologiehistologie, c'est-à-dire par l'observation au microscopiques des tissus biologiques qui ont pu être prélevés.

Cette méthode repose sur l'analyse d'irrégularités cellulaires subtiles, si bien que le diagnostic final peut varier sensiblement d'un médecin à l'autre. En outre, plusieurs types de tumeurs peuvent partager des caractéristiques histologiques sans pour autant évoluer de la même façon.

C'est pourquoi David Capper et ses collègues se sont tournés vers une autre méthode d'analyse basée sur des marqueurs moléculaires : celle de la méthylationméthylation de l'ADNADN des cellules tumorales, soit l'addition de groupes méthyles sur l'ADN. Ce genre de diagnostic, qui a l'avantage d'être totalement objectif, ne se fait pourtant pas de façon systématique, par manque de moyens, bien que les efforts aillent dans ce sens. L'OMSOMS conseille depuis 2016 de combiner histologie et analyse moléculaire pour examiner certains types de tumeurs du cerveaucerveau.

Souhaitant standardiser le processus, les chercheurs ont entraîné un ordinateurordinateur à analyser et classer les tumeurs cérébrales en différentes catégories selon leurs profils de méthylation, grâce au machine learningmachine learning, un champ d'étude relevant de l'intelligence artificielleintelligence artificielle. Leur système améliore la précision d'un diagnostic histologique ou moléculaire classique. En effet, 12 % des tumeurs sur les 1.104 cas étudiés ont été changées de catégorie, suivant les recommandations de l'ordinateur.

Les tumeurs cérébrales, ou plus généralement du système nerveux central, comprenant le cerveau et la moelle épinière, peuvent être bénignes ou cancéreuses et entraîner plus ou moins de séquelles, selon leur localisation et leur agressivité. Ici, une tumeur dans le lobe pariétal droit vue par IRM. © stockdevil, Fotolia

L’ordinateur apprend à catégoriser les tumeurs

Le machine-learning, ou apprentissage automatique, permet à l'ordinateur d'apprendre à reconnaître les profils de méthylation caractéristiques des tumeurs cérébrales à partir des données que lui ont fournies les chercheurs. Celles-ci recoupent tous les types de tumeurs du cerveau connus, ou presque. Après entraînement, l'ordinateur a distingué 82 catégories de tumeurs, dont 29 correspondent à celles de l'OMS, 29 autres à des sous-catégories, tandis que les autres ne coïncidaient pas.

Les chercheurs ont ensuite demandé à l'ordinateur de classer à son tour 1.104 tumeurs du cerveau déjà identifiées par des médecins à l'aide des méthodes histologiques ou moléculaires standards. Les résultats, détaillés dans une publication parue dans Nature, confortent le diagnostic des médecins, le précisent, voire l'améliorent dans certains cas.

Ainsi, l'ordinateur diagnostique le type de tumeur de façon identique aux médecins dans 60,4 % des cas et va un cran plus loin dans 15,5 % des cas, en indiquant à quelle sous-catégorie la tumeur appartient. Pour 12,6 % des tumeurs étudiées, l'ordinateur donne une classification différente. Ces cas ont alors fait l'objet d'une nouvelle analyse, plus poussée, par des techniques différentes de celles employées classiquement, comme le séquençageséquençage génétiquegénétique. Il s'est avéré que l'ordinateur avait raison : 92,8 % des cas problématiques ont finalement été déplacés de l'ancienne catégorie vers celle recommandée par l'ordinateur, avec à la clé des révisions potentielles du traitement ou du pronostic vital du patient.

En ce qui concerne les 11,5 % tumeurs restantes, l'ordinateur n'a pas su proposer de classement. Les chercheurs estiment qu'un tiers de ces tumeurs pourraient être trop rares et trop peu documentées, de sorte que l'ordinateur n'a pas pu apprendre à les reconnaître faute de données à leur sujet.

En somme, la méthode développée par les chercheurs prouve son utilité pour l'identification des tumeurs, en particulier lorsqu'elles ont des caractéristiques histologiques ambiguës. Elle pourrait selon eux compléter les outils de diagnostic de routine sans demander davantage de temps ni de moyens, notamment de puissance de calcul. Ils ont effectivement rendu leur dispositif d'analyse disponible gratuitement en ligne. Ils soulignent également que l'approche par machine-learning pourrait être appliquée au diagnostic de tumeurs autres que cérébrales.

Un logiciel pour améliorer le diagnostic des tumeurs cérébrales

Article de Cordis Nouvelles, publié le 10/12/2006

Dans le cadre d'un projet récemment lancé et financé par l'UE, des chercheurs développent actuellement un logiciellogiciel qui pourrait offrir une aide indispensable aux médecins du monde entier en matière de diagnostic précoce et de traitement des tumeurs cérébrales.

Tumeur du cerveau vue au scanner.

Cause majeure de mortalité, les tumeurs cérébrales affectent un pourcentage élevé de la population européenne. Chez les enfants de plus d'un an, elles figurent parmi les malignités les plus fréquentes, dont l'issue est fatale.

Généralement, le diagnostic d'une tumeur cérébrale requiert l'utilisation d'une technique non invasive, la spectroscopie de résonance magnétique (SRM), afin de déterminer la composition biochimique tissulaire d'une tumeur. Cependant, le degré de précision de ces scanographies varie entre 60-90 %, en fonction du type de tumeur et de son état d'avancement.

Le diagnostic d'une tumeur nécessite dès lors une biopsiebiopsie chirurgicale qui peut s'avérer fatale pour le patient. Dans le cas des tumeurs à évolution lente qui affectent principalement les enfants, plusieurs biopsies sont souvent nécessaires, bien qu'elles soient déconseillées.

Des équipes de chercheurs belges, britanniques, espagnols et italiens collaborent actuellement dans le cadre du projet HealthAgents, une initiative d'un budget de 4,5 millions d'euros, dans l'espoir que le logiciel rende les biopsies superflues à l'avenir.

Ils développeront une base de donnéesbase de données dans laquelle les scanographies de pointe réalisées sur les patients dans les hôpitaux du monde entier pourront être stockées et classées. S'appuyant sur des techniques de reconnaissance des formes, le système permettra aux médecins de comparer les résultats des scanographies avec ceux de cas semblables dans d'autres hôpitaux. Le logiciel proposera ensuite une série de diagnostics permettant au médecin de choisir le type de traitement le plus approprié.

Selon le Dr Andrew Peet, conseiller clinique au titre du projet HealthAgents, le projet permet aux médecins d'avoir accès à une série de résultats sécurisés qu'ils n'avaient jamais pu consulter auparavant. « Le consortium réunit un grand nombre d'experts d'universités, d'entreprises et d'hôpitaux. L'expertise du consortium fournira les bases pour le premier réseau européen centré sur le diagnostic et le pronostic des tumeurs cérébrales. Nous bénéficierons d'un excellent réseau d'échange de données pour combattre l'une des maladies les plus pernicieuses à l'heure actuelle », a-t-il déclaré.