Malgré les avancées majeures de la génétique et de l'imagerie moderne, le diagnostic surprend la plupart des patientes atteintes d'un cancer du sein. Pour certains, il arrive trop tard. Un diagnostic ultérieur signifie des traitements agressifs, résultats incertains, et plus de frais médicaux. Par conséquent, l'identification des patientes a été un pilier central de la recherche sur le cancer du sein et de la détection précoce efficace.

Dans cet esprit, une équipe du Laboratoire d'informatique et d'intelligence artificielle (CSAIL) du MIT et du Massachusetts General Hospital (MGH) a créé un nouveau modèle d'apprentissage en profondeur qui peut prédire à partir d'une mammographie si une patiente est susceptible de développer un cancer du sein jusqu'à cinq ans dans le futur. Formé sur les mammographies et les résultats connus de plus de 60 ans, 000 patients MGH, le modèle a appris les motifs subtils du tissu mammaire qui sont des précurseurs des tumeurs malignes.

Professeur du MIT Regina Barzilay, elle-même une survivante du cancer du sein, dit que l'espoir est que des systèmes comme ceux-ci permettent aux médecins de personnaliser les programmes de dépistage et de prévention au niveau individuel, faisant du diagnostic tardif une relique du passé.

Bien qu'il ait été démontré que la mammographie réduit la mortalité par cancer du sein, il y a un débat continu sur la fréquence de dépistage et quand commencer. Alors que l'American Cancer Society recommande un dépistage annuel à partir de 45 ans, le groupe de travail préventif des États-Unis recommande un dépistage tous les deux ans à partir de 50 ans.

"Plutôt que d'adopter une approche unique, nous pouvons personnaliser le dépistage en fonction du risque d'une femme de développer un cancer, " dit Barzilay, auteur principal d'un nouvel article sur le projet publié aujourd'hui en radiologie. "Par exemple, un médecin peut recommander qu'un groupe de femmes passe une mammographie tous les deux ans, tandis qu'un autre groupe à risque plus élevé pourrait bénéficier d'un dépistage par IRM supplémentaire. » Barzilay est professeur d'électronique Delta au CSAIL et au département de génie électrique et informatique du MIT et membre du Koch Institute for Integrative Cancer Research au MIT.

Le modèle de l'équipe était significativement meilleur pour prédire le risque que les approches existantes :il a placé avec précision 31 % de tous les patients atteints de cancer dans sa catégorie à risque le plus élevé, contre seulement 18 pour cent pour les modèles traditionnels.

La professeure de Harvard Constance Lehman dit qu'il y avait auparavant un soutien minimal dans la communauté médicale pour les stratégies de dépistage basées sur le risque plutôt que sur l'âge.

"C'est parce qu'avant nous n'avions pas d'outils d'évaluation des risques précis qui fonctionnaient pour les femmes individuelles, " dit Lehman, professeur de radiologie à la Harvard Medical School et chef de division de l'imagerie mammaire à l'HGM. "Notre travail est le premier à montrer que c'est possible."

Barzilay et Lehman ont co-écrit l'article avec l'auteur principal Adam Yala, un doctorat CSAIL étudiant. Les autres co-auteurs du MIT incluent Ph.D. l'étudiant Tal Schuster et l'ancienne étudiante à la maîtrise Tally Portnoi.

Comment ça fonctionne

Depuis le premier modèle de risque de cancer du sein de 1989, le développement a été largement guidé par la connaissance humaine et l'intuition de ce que pourraient être les principaux facteurs de risque, comme l'âge, antécédents familiaux de cancer du sein et de l'ovaire, facteurs hormonaux et reproductifs, et la densité mammaire.

Cependant, la plupart de ces marqueurs ne sont que faiblement corrélés au cancer du sein. Par conséquent, ces modèles ne sont toujours pas très précis au niveau individuel, et de nombreuses organisations continuent de penser que les programmes de dépistage fondés sur les risques ne sont pas possibles, compte tenu de ces limites.

Plutôt que d'identifier manuellement les schémas d'une mammographie qui entraînent un futur cancer, l'équipe MIT/MGH a formé un modèle d'apprentissage en profondeur pour déduire les modèles directement à partir des données. En utilisant les informations de plus de 90, 000 mammographies, le modèle a détecté des motifs trop subtils pour que l'œil humain puisse les détecter.

"Depuis les années 1960, les radiologues ont remarqué que les femmes ont des modèles de tissu mammaire uniques et très variables visibles sur la mammographie, " dit Lehman. " Ces modèles peuvent représenter l'influence de la génétique, les hormones, grossesse, lactation, diète, perte de poids, et prise de poids. Nous pouvons désormais tirer parti de ces informations détaillées pour être plus précis dans notre évaluation des risques au niveau individuel. »

Rendre la détection du cancer plus équitable

Le projet vise également à rendre l'évaluation des risques plus précise pour les minorités raciales, en particulier. De nombreux premiers modèles ont été développés sur des populations blanches, et étaient beaucoup moins précis pour les autres races. Le modèle MIT/MGH, pendant ce temps, est tout aussi précis pour les femmes blanches et noires. Ceci est particulièrement important étant donné qu'il a été démontré que les femmes noires sont 42% plus susceptibles de mourir d'un cancer du sein en raison d'un large éventail de facteurs pouvant inclure des différences dans la détection et l'accès aux soins de santé.

"Il est particulièrement frappant que le modèle fonctionne aussi bien pour les blancs et les noirs, ce qui n'était pas le cas avec les outils antérieurs, " dit Allison Kurian, professeur agrégé de médecine et de recherche/politique de la santé à la Stanford University School of Medicine. « Si validé et mis à disposition pour une utilisation généralisée, cela pourrait vraiment améliorer nos stratégies actuelles pour estimer le risque. »

Barzilay dit que leur système pourrait également un jour permettre aux médecins d'utiliser des mammographies pour voir si les patientes courent un plus grand risque d'autres problèmes de santé, comme les maladies cardiovasculaires ou d'autres cancers. Les chercheurs sont impatients d'appliquer les modèles à d'autres maladies et affections, et en particulier ceux avec des modèles de risque moins efficaces, comme le cancer du pancréas.

« Notre objectif est de faire de ces progrès une partie de la norme de soins, " dit Yala. " En prédisant qui développera un cancer à l'avenir, nous pouvons, espérons-le, sauver des vies et attraper le cancer avant que les symptômes n'apparaissent."

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.