Le cancer est l'une des principales causes de décès, avec 9,7 millions de décès liés au cancer en 2022.
Le nombre de nouveaux cas devrait passer de 20 millions en 2022 à 29,9 millions en 2040 [1]. Face à des statistiques aussi sombres, des efforts concertés sont déployés pour lutter contre la maladie, allant de la médecine de précision à la mise au point de médicaments. De nombreuses innovations et technologies contribuent à cette lutte, l'intelligence artificielle (IA) jouant un rôle important.
L'IA possède un immense potentiel pour révolutionner le traitement du cancer à l'échelle mondiale. Au-delà de l'amélioration des thérapies, les systèmes alimentés par l'IA promettent de réduire les disparités liées au cancer en améliorant l'accès à un traitement optimal et en comblant le fossé entre les soins et la recherche sur le cancer.
Dans un récent podcast intitulé « Let's Talk Cancer », le Dr Laszlo Radvanyi, président et directeur scientifique de l'Institut de recherche sur le cancer de l'Ontario, admet que l'IA a révolutionné divers aspects du traitement du cancer et que l'on peut s'attendre à beaucoup plus à l'avenir [2].
Ces sentiments démontrent le potentiel de l'IA dans la lutte contre le cancer. Cet article explore l'impact de l'IA sur le traitement du cancer dans des domaines tels que la détection précoce, les soins personnalisés aux patients et la recherche.
« Le diagnostic des lésions cancéreuses est une tâche laborieuse et difficile. Nous voulons que tous les laboratoires du monde aient accès à notre application d'IA. Elle peut trier les échantillons, donner un deuxième avis ou même fournir un diagnostic préliminaire dans les régions mal desservies », explique le Dr Chao, chercheur principal chargé de développer des programmes basés sur l'IA pour le cancer de la cavité buccale. Ce sentiment fait écho aux attentes de nombreux chercheurs et professionnels de la santé concernant le potentiel de l'intelligence artificielle (IA) dans les soins de santé.
L'explosion des données électroniques sur les soins de santé a créé de vastes ensembles de données qui peuvent être analysés à l'aide de techniques d'IA, telles que le Machine Learning (ML) et le Deep Learning (DL). Ces puissants algorithmes peuvent mettre en évidence des schémas et des corrélations dans les données qui ne seraient pas apparents avec les méthodes d'analyse traditionnelles. Les techniques de ML et de DL sont particulièrement efficaces dans la détection et le diagnostic du cancer, car elles peuvent traiter rapidement de grandes quantités de données et identifier des indicateurs subtils de la maladie.
L'identification des personnes présentant un risque élevé de souffrir d'un cancer est avantageuse car elle permet aux médecins de les surveiller et de déployer des interventions précoces. Les techniques d'imagerie médicale telles que les TEP, l'IRM et la Computer tomography(CT-scan) constituent la base de l'évaluation des images. Cependant, l'interprétation de certaines de ces images est complexe en raison des différentes présentations des tumeurs et d'autres caractéristiques qui se chevauchent entre les lésions malignes et bénignes.
Les algorithmes de DL tels que les réseaux adversaires génératifs (GAN) et les réseaux neuronaux à convolution (CNN) peuvent extraire des informations pertinentes des scanners [3]. Les modèles de prédiction des risques alimentés par l'IA peuvent utiliser des données multimodales pour déterminer la probabilité qu'un patient développe un cancer sur la base de scores de risque.
Des recherches menées par la Radiological Society of North America (RSNA) ont montré que les modèles d'IA sont plus performants que les modèles de risque standard tels que le BCSC pour prédire le risque de cancer du sein à cinq ans. Les outils basés sur l'IA utilisent les mammographies et peuvent identifier les cancers manqués et les tissus cancéreux du sein [4].
L'analyse d'images basée sur l'IA est également utilisée pour développer des outils de dépistage et de prédiction des personnes susceptibles d'avoir un cancer du poumon. Par exemple, des chercheurs ont mis au point un outil appelé Sybil, qui peut prédire avec précision le cancer du poumon à l'aide d'un seul CT scan thoracique à faible dose. L'outil peut le faire à court et à long terme, ce qui simplifie les processus d'évaluation des risques et contribue à améliorer le dépistage [5].
Il existe également des logiciels basés sur l'IA conçus pour aider les pathologistes à dépister et à diagnostiquer le cancer de la prostate. Le système analyse les images de biopsie de la prostate pour déterminer si l'image présente des zones de tissus cancéreux [6].
De plus, la pathologie numérique pilotée par l'IA améliore le diagnostic du cancer à l'aide d'algorithmes tels que les réseaux neuronaux artificiels ( "ANN"). Le système étudie et identifie le développement de nouveaux biomarqueurs à partir d'images de tumeurs à haute résolution [7].
Un autre outil, appelé iStar, interprète les images médicales en détail, ce qui permet aux cliniciens d'obtenir des éclaircissements sur des cancers qui auraient pu passer inaperçus. En outre, il peut déterminer les marges de sécurité lors des opérations chirurgicales du cancer et étiqueter automatiquement les images microscopiques, ce qui facilite le diagnostic moléculaire des maladies [8].
Ces processus de dépistage simplifiés et non invasifs sont prometteurs pour promouvoir la lutte contre le cancer dans différents contextes géographiques et démographiques. L'utilisation de données et d'images médicales pour anticiper et diagnostiquer les maladies continuera à se développer à mesure que de nouveaux outils basés sur l'IA seront disponibles.
Certains outils d'IA avancés sont en cours de développement pour analyser les profils sanguins, en particulier pour examiner l'ADN tumoral circulaire (ADNct) et le microARN (miARN) dans le plasma [9]. Ces outils peuvent être utilisés pour détecter les cancers du pancréas et de l'estomac, qui sont très difficiles à détecter.
L'évolution vers un profilage sanguin piloté par l'IA promet une détection plus précoce et plus précise des cancers. Par exemple, une nouvelle technique du Johns Hopkins Kimmel Cancer Center a montré une précision de 91 à 96 % dans la détection du cancer du poumon à partir d'échantillons de sang [10].
De nombreux outils, applis et appareils alimentés par l'IA favorisent le dépistage préliminaire pour une détection précoce. Toutefois, ils ne remplacent pas l'évaluation et l'expertise médicale.
Un bon exemple est l'application SkinVision, un dispositif médical réglementé qui permet de dépister le cancer de la peau. L'application permet aux utilisateurs de prendre des photos de taches cutanées suspectes. L'IA analyse l'image pour identifier le type de peau et le profil de risque. L'outil a un taux de précision de 95 % pour les cancers de la peau courants [11].
L'un des principaux défis posés par les méthodes conventionnelles est qu'elles visent à tuer le plus grand nombre de cellules possible. Ces méthodes soumettent les patients à des doses élevées, qui n'ont pas toujours l'effet curatif escompté. En raison de la grande hétérogénéité du cancer, des médicaments similaires peuvent ne pas avoir la même efficacité chez différents patients.
Les modèles de ML et DL peuvent analyser en profondeur la génomique, la protéomique, les images pathologiques et d'autres données d'un patient afin de créer un profil complet de ce dernier [12].
Dans une étude menée par l'Université d'Oxford et le Moffitt Cancer Center, des chercheurs ont utilisé avec succès un cadre d'apprentissage par renforcement profond (DRL) pour développer une approche personnalisée des soins du cancer. Cette méthode a permis aux médecins de formuler des plans de traitement individualisés pour les patients atteints de cancer de la prostate, contribuant ainsi à doubler le délai de rechute pour certains patients [13].
En utilisant ce cadre, les chercheurs ont proposé une nouvelle méthode pour créer un « jumeau virtuel » des patients. Le cadre de la LRD pourrait également être affiné pour produire un programme de traitement personnalisé pour les nouveaux patients atteints de cancer, sur la base de leurs données de traitement initiales [14].
Texte du paragraphe
L'efficacité des médicaments anticancéreux diminue généralement après la période initiale de traitement en raison de la résistance aux médicaments. Cependant, la recherche a montré que les combinaisons thérapeutiques ont une efficacité supérieure, réduisant la résistance aux médicaments et la posologie. Des études ont également indiqué des taux de survie plus élevés pour les patients recevant des thérapies combinées que pour ceux recevant un traitement à agent unique.
Les modèles ML et DL utilisant des algorithmes tels que XGBoost, les réseaux neuronaux feed-forward et les forêts aléatoires (RF) peuvent être utilisés pour le criblage à haut débit afin d'accélérer la classification et l'identification de la synergie des médicaments anticancéreux [17]. Les chercheurs peuvent développer des combinaisons rationnelles de médicaments pour des thérapies efficaces en prédisant de nouvelles combinaisons synergiques.
La recherche et le développement assistés par l'IA dans le domaine des soins du cancer sont remarquables, soulignant des études approfondies et des découvertes révolutionnaires. L'IA continue de présenter des méthodes prometteuses pour faire progresser la recherche sur le cancer, en particulier lorsqu'elle est intégrée à d'autres technologies de pointe telles que la radionique et la génomique [18].
La mise au point de médicaments anticancéreux est coûteuse, complexe et longue. Avec l'augmentation du nombre de cas de cancer dans le monde, il est devenu urgent d'accélérer la mise au point de médicaments efficaces pour lutter contre la maladie.
Voici comment l'IA contribue à la mise au point de médicaments contre le cancer.
Traditionnellement, la segmentation des tumeurs et des organes demande beaucoup de temps aux radio-oncologues. Il s'agit d'un processus complexe qui implique la modélisation du patient, des simulations, la planification et l'administration du traitement. Les radiologues délimitent la cible des organes et des tumeurs à risque, qui sont ensuite irradiés.
L'utilisation de l'IA a permis d'améliorer différents aspects de la radiothérapie du cancer, notamment:
L'IA devrait avoir un impact significatif sur le traitement du cancer, en améliorant de nombreuses applications. Toutefois, l'utilisation de l'IA dans la détection et le traitement du cancer se heurte encore à plusieurs difficultés.
Qualité des données : Les données utilisées pour former le modèle manquent de normes, sont déséquilibrées et désordonnées parce qu'elles proviennent de différents systèmes. Il est donc difficile de construire des modèles d'une grande précision. Par exemple, les appareils qui génèrent des images pathologiques acceptent des paramètres différents, de sorte que les données d'image diffèrent. L'insuffisance des données d'entraînement et de la gestion des données constitue un autre défi.
Préoccupations éthiques liées à la protection de la vie privée : Les données des patients sont régies par des lois sur la protection de la vie privée. L'absence de consentement du patient et la mauvaise manipulation des données peuvent entraîner des violations de la vie privée des patients. Par exemple, Google et l'université de Chicago ont fait l'objet d'un procès parce que l'université avait partagé des données médicales identifiables avec l'entreprise technologique [23].
Manque d'explicabilité : Il devient difficile pour les chercheurs et les médecins d'expliquer les résultats des systèmes d'IA, en particulier pour les modèles complexes. Si le système ne révèle pas son raisonnement, il devient difficile de déterminer précisément comment le modèle est parvenu à son résultat, ce qui suscite la méfiance. Il est possible de remédier à ce problème en introduisant une couche d'IA explicable, ce qui renforce la transparence et améliore l'interprétabilité des résultats.
Cadre réglementaire : De nombreuses questions se posent quant à savoir si l'IA dans le domaine de la santé s'inscrit dans les cadres juridiques actuels ou si une législation spécifique est nécessaire. Bien que les États-Unis et l'Europe aient institué diverses lois et politiques pour réglementer l'utilisation de l'IA, il est encore nécessaire de les consolider et de clarifier certains aspects. Par exemple, qui est le propriétaire des données si un modèle d'IA génère de nouvelles données à partir de dossiers médicaux existants ? Est-il nécessaire de demander un consentement supplémentaire dans ce cas ?
La communauté mondiale des soins de santé reconnaît les immenses défis posés par le cancer, dont le nombre de cas et de décès ne cesse d'augmenter. Les flux de travail traditionnels peinent souvent à traiter efficacement les aspects complexes de cette maladie. Toutefois, l'émergence et la croissance de technologies telles que l'intelligence artificielle ouvrent de nouvelles voies pour lutter contre le cancer.
L'IA a montré un potentiel significatif dans la détection et le traitement du cancer, et des efforts considérables de recherche et de développement sont en cours. À mesure que la disponibilité des données médicales augmente, de nombreuses études sont menées, conduisant à des percées dans la détection du cancer assistée par l'IA, la mise au point de médicaments et la recherche.
Malgré les progrès accomplis, des défis tels que la distorsion des données et les obstacles réglementaires entravent l'adoption généralisée de l'IA dans le traitement du cancer. À mesure que nous avançons, nous assisterons probablement à de nouvelles avancées dans les applications de santé basées sur l'IA et à une rationalisation des réglementations pour surmonter les obstacles initiaux. L'avenir promet à l'IA de révolutionner les soins en cancérologie, en améliorant à terme les résultats pour les patients et en réduisant le fardeau mondial de cette maladie dévastatrice.
