L’IA contre le cancer

Une petite piqûre, quelques gouttes de sang et un ordinateur. A l’avenir, il n’en faudra probablement pas davantage pour diagnostiquer une maladie cancéreuse. Une nouvelle approche développée par le groupe de recherche emmené par G.V. Shivashankar, directeur du Laboratoire de bio-imagerie multi-échelle au Centre des sciences de la vie du PSI et professeur de mécanogénomique à l’ETH Zurich, devrait permettre d’atteindre cet objectif. Leur méthode réunit imagerie moderne et algorithmes adaptatifs: cette combinaison transforme l’échantillon sanguin en une précieuse source d’informations sur une éventuelle maladie cancéreuse.

Comment les tumeurs laissent des traces dans le sang

Les cellules tumorales libèrent certaines substances messagères dans la circulation sanguine: ce mélange complexe est appelé sécrétome. Il diffère suivant le type de tumeur et agit sur des cellules éloignées dans l’organisme. Les scientifiques du PSI ont constaté que ce sécrétome influençait certains globules blancs, notamment la structure de leur noyau cellulaire où se trouve la chromatine. Le terme chromatine désigne le matériel génétique emballé en une espèce de pelote. «Les globules blancs réagissent de manière très sensibles à ces signaux tumoraux, explique G.V. Shivashankar. Or, comme ils sont très faciles à obtenir à partir d’échantillons sanguins, leur analyse s’avère extrêmement simple.» 

Mais ce qui change précisément dans la chromatine n’est identifiable ni à l’œil nu, ni directement au microscope. Les différences sont subtiles, complexes et ne peuvent être ramenées à une seule caractéristique. Par ailleurs, le schéma de la modification dépend fortement du type de tumeur. 

Afin de déchiffrer ces signatures invisibles, les scientifiques ont misé sur la microscopie à fluorescence à haute résolution: ils ont produit plusieurs centaines d’images de chaque échantillon de sang et y ont analysé quelque 200 propriétés, comme la texture, le contraste et la répartition spatiale de la chromatine. Mais même avec ces images, une question restait entière: quelle est la combinaison de caractéristiques qui indique bel et bien un cancer? Et de quelle manière le signale-t-elle? Pour tirer des conclusions fiables de cette complexité, les scientifiques misent sur l’intelligence artificielle, plus précisément sur l’apprentissage machine.

L’apprentissage d’un algorithme à partir d’images de cellules 

Pour pouvoir tirer des conclusions fiables à partir d’une multitude d’images microscopiques, l’équipe de recherche a utilisé un algorithme adaptatif. Ils ont commencé par analyser des échantillons de sang prélevés sur des personnes en bonne santé et sur des patients atteints de différents types de tumeurs. Les images de cellules qu’ils ont générées sur cette base ont formé le fondement pour l’algorithme: chaque image montre une structure de chromatine accompagnée d’une information qui spécifie si la personne est en bonne santé ou atteinte d’un cancer.

«On peut se représenter tout cela comme un jeu de cartes, relève G.V. Shivashankar. Sur le recto de la carte se trouve l’image de la cellule, alors que le diagnostic figure au verso.» Pendant la phase d’entraînement, l’algorithme peut voir les deux côtés. Il compare des centaines de cartes de ce genre et commence à identifier les schémas de modification, même ceux qui sont invisibles à l’œil humain ou qui ne sont pas clairs.

Apprendre signifie dans le cas présent que l’algorithme pondère différemment les anomalies microscopiques et qu’au fur et à mesure que la quantité de données augmente, il «comprend» mieux quelle combinaison indique une maladie cancéreuse. Lors de la phase de test, il se voit présenter ensuite de nouvelles cartes dont il ignore le verso. Il doit décider par lui-même si l’image est indicative ou non d’un cancer.

Résultat: l’algorithme a réussi à distinguer les personnes en bonne santé et les personnes malades avec une précision de 85 %, et ce indépendamment du type de tumeur. «Le fait que nous ayons pu exploiter la chromatine de cellules sanguines comme marqueur tumoral est une première mondiale», souligne G.V. Shivashankar. Une étape prometteuse vers un diagnostic basé sur des données, qui pourrait à l’avenir aider le personnel médical à détecter précocement certaines maladies de manière ciblée, efficace et économique. Les scientifiques estiment que les premières applications cliniques devraient être possibles d’ici trois à cinq ans.