Un modèle IA prédit le succès de l'immunothérapie, raccourcissant le temps de traitement du cancer

Le nouveau modèle d'apprentissage automatique pourrait réduire le temps de traitement en identifiant rapidement quels patients sont les plus susceptibles de répondre à l'ICB au lieu de la méthode actuelle d'essai et erreur.

Des chercheurs de l'Université de technologie d'Eindhoven se tournent vers l'apprentissage automatique pour mieux prédire si une immunothérapie particulière aidera les patients cancéreux. Le modèle dans le dernier article montre des promesses et surpasse même les approches cliniques traditionnelles jusqu'à présent.

Exploiter l'immunothérapie dans la lutte contre le cancer

Les cellules tumorales se cachent des défenses naturelles du corps, rendant le cancer notoirement difficile à cibler et traiter. Les cellules tumorales bloquent la réponse immunitaire naturelle du corps mais l'immunothérapie peut la réactiver pour certains patients. Le problème est de découvrir tôt quels patients sont les plus susceptibles de répondre.

Une telle thérapie, les bloqueurs de points de contrôle immunitaires (ICB), dit aux cellules immunitaires d'ignorer les ordres d'arrêt émis par les cellules cancéreuses qui essaient de se cacher. Bien que ce soit une découverte révolutionnaire, seulement environ un tiers des patients cancéreux répondent au traitement.

Le nouveau modèle d'apprentissage automatique pourrait réduire le temps de traitement en identifiant rapidement quels patients sont les plus susceptibles de répondre à l'ICB au lieu de la méthode actuelle d'essai et erreur. Ce modèle peut aussi aider à s'assurer que les patients qui ne répondront probablement pas reçoivent des traitements opportuns à la place. Le modèle pourrait aussi découvrir exactement pourquoi ces autres deux tiers de patients ne répondent pas.

Voir aussi : L'IA pourrait débloquer une nouvelle ère d'essais cliniques

Comment fonctionne le modèle d'apprentissage automatique

L'apprentissage automatique explore les biomarqueurs des tumeurs à partir d'échantillons de patients. Il explore comment ces marqueurs communiquent avec d'autres cellules causant soit une réponse à l'ICB, soit son rejet. À partir de là, la machine est capable d'apprendre à partir d'échantillons de patients pour identifier quels futurs patients portent les mêmes biomarqueurs indiquant le succès de l'ICB.

Utiliser l'apprentissage automatique n'est pas une nouvelle méthode, mais les chercheurs ont ajouté une petite astuce pour démêler un problème persistant d'accès aux données. Bien que les jeux de données de séquençage ARN soient largement disponibles, ceux spécifiques à la réponse au cancer sont limités. Les chercheurs ont utilisé plusieurs réponses immunitaires de substitution. Ensemble, elles pourraient indiquer une réponse positive à l'ICB.

Testé contre la détection de biomarqueurs actuelle, le modèle a performé mieux. Il pourrait aussi être utile pour identifier quels marqueurs sont les plus importants pour obtenir la réponse immunitaire désirée. C'est une autre étape dans la délivrance de la médecine personnalisée en partenariat avec les médecins et professionnels de santé.