Le Dr Vivian Lipari, directrice générale de la Fondation universitaire ibéro-américaine (FUNIBER) au Chili, a participé, aux côtés d’une équipe internationale, à une étude publiée dans The American Journal of Pathology qui combine l’apprentissage automatique et l’analyse génomique afin d’améliorer le dépistage et la classification du cancer gastrique.
Une maladie complexe
Le cancer gastrique constitue un enjeu sanitaire majeur à l’échelle mondiale. L’article le classe parmi les tumeurs les plus fréquemment diagnostiquées et souligne qu’il touche chaque année plus d’un million de personnes. Le dépistage précoce est essentiel pour améliorer le pronostic, bien que de nombreux cas ne soient identifiés qu’à un stade avancé de la maladie.
L’un des principaux défis tient à l’hétérogénéité moléculaire du cancer gastrique. Les caractéristiques génétiques peuvent varier d’un patient à l’autre et d’un sous-type tumoral à l’autre, ce qui rend difficile la mise en œuvre de stratégies diagnostiques et thérapeutiques uniformes. De plus, les analyses histopathologiques conventionnelles, bien qu’elles restent essentielles, ne permettent pas toujours de saisir toute la complexité des profils génomiques associés à la maladie.
Au-delà du diagnostic conventionnel
Parmi les solutions étudiées précédemment figurent les modèles d’apprentissage automatique appliqués aux bases de données génomiques, les signatures d’expression génique dans les échantillons sanguins, l’identification des microARN et les systèmes de prédiction basés sur des facteurs cliniques ou liés au mode de vie.
Ces recherches ont donné des résultats prometteurs, mais présentent également des limites liées à l’utilisation de données rétrospectives, à la taille réduite des échantillons ou à une validation externe insuffisante. De même, certains modèles se concentrent sur une seule étape de l’analyse et ne combinent pas la découverte de motifs moléculaires avec la classification prédictive des sous-types de cancer.
Une architecture intégrée
L’étude propose une méthodologie combinant différents outils d’intelligence artificielle et d’analyse de données pour identifier des motifs dans les informations génétiques. Les chercheurs ont regroupé les profils en fonction de leurs caractéristiques et ont utilisé ces groupes pour développer des modèles capables de reconnaître des motifs similaires dans de nouvelles données.
De plus, ils ont appliqué différentes méthodes pour vérifier la cohérence des résultats, identifier d’éventuelles données atypiques et faciliter l’interprétation des informations. Enfin, ils ont analysé quelles caractéristiques génétiques avaient le plus d’influence sur les prédictions des modèles, dans le but d’obtenir des résultats plus compréhensibles et plus fiables.
Des résultats très performants
Les résultats ont montré un haut niveau de précision pour les modèles évalués. La machine à vecteurs de support a obtenu les meilleures performances, avec une précision de 99,15 %, suivie du modèle de stacking, avec 98,87 %, et de la forêt aléatoire, avec 97,29 %. Dans l’ensemble, les résultats confirment la capacité de ces outils à classer les profils génomiques de manière précise et cohérente.
Une analyse complémentaire des résultats a confirmé la robustesse des modèles et montré que leurs performances étaient nettement supérieures à celles obtenues par hasard. Ces résultats soulignent le potentiel de l’intelligence artificielle pour faciliter l’analyse et la classification des informations génétiques.
Perspectives cliniques futures
L’étude conclut que l’intégration de la bio-informatique, de l’analyse génomique et de l’apprentissage automatique peut contribuer à améliorer la classification des sous-types moléculaires et favoriser la recherche de biomarqueurs potentiels. La combinaison de techniques non supervisées et supervisées offre également une voie pour développer des outils plus interprétables et orientés vers la médecine personnalisée.
Ces résultats constituent une première démonstration du potentiel de ces outils pour identifier et différencier des profils génétiques, mais ils ne constituent pas encore un outil clinique directement applicable. Dans un prochain temps, les auteurs envisagent d’élargir la base de données, d’intégrer de nouveaux profils génétiques et d’explorer des techniques plus avancées permettant d’améliorer la précision et l’utilité de ces systèmes.
Si vous souhaitez en savoir plus sur cette étude, cliquez ici.
Pour consulter d’autres travaux de recherche, rendez-vous sur le référentiel d’UNEATLANTICO.
Grâce à son programme de bourses et à son réseau universitaire, FUNIBER facilite l’accès à des formations de premier et deuxième cycles dans divers domaines académiques, notamment la nutrition, la santé publique, la gestion et la recherche en santé, ainsi que les soins infirmiers. Remplissez le formulaire pour demander des informations sur les bourses disponibles et les options de formation dans ces disciplines.