Le modèle d'apprentissage automatique prédit l'efficacité de la thérapie

Le nouveau modèle d'apprentissage automatique pourrait réduire le délai de traitement en identifiant rapidement les patients les plus susceptibles de répondre à l'ICB au lieu de la méthode actuelle d'essais et d'erreurs.

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 atteints de cancer. Le modèle du dernier article est prometteur et surpasse même les approches cliniques traditionnelles jusqu'à présent.

Tirer parti de l'immunothérapie dans la lutte contre le cancer

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

L'une de ces thérapies, les bloqueurs de points de contrôle immunitaires (ICB), dit aux cellules immunitaires d'ignorer tout ordre d'arrêt émis par les cellules cancéreuses essayant de se cacher. Bien qu'il s'agisse d'une découverte révolutionnaire, seulement environ un tiers des patients atteints de cancer répondent au traitement.

Le nouveau modèle d'apprentissage automatique pourrait réduire le délai de traitement en identifiant rapidement les patients les plus susceptibles de répondre à l'ICB au lieu de la méthode actuelle d'essais et d'erreurs. Ce modèle peut également aider à garantir que les patients qui ne répondront probablement pas reçoivent plutôt des traitements en temps opportun. Le modèle peut également découvrir exactement pourquoi ces deux autres tiers des patients ne répondent pas.

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

Fonctionnement du 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, provoquant 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 les futurs patients porteurs des mêmes biomarqueurs qui indiquent le succès de l'ICB.

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

Lorsqu'il a été testé par rapport à la détection actuelle de biomarqueurs, le modèle a obtenu de meilleurs résultats. Cela pourrait également être utile pour identifier les marqueurs les plus importants pour obtenir la réponse immunitaire souhaitée. C'est une étape supplémentaire dans la prestation d'une médecine personnalisée en partenariat avec des médecins et des professionnels de la santé.