Le modèle d’IA calcule le pourcentage de nécrose chez les patients atteints d’ostéosarcome avec une précision de 99 %

Une équipe de recherche de Johns Hopkins Medicine a créé et formé un modèle d’apprentissage automatique pour calculer le pourcentage de nécrose (PN). ou quel pourcentage d’une tumeur est « morte » et n’est plus active – ; chez les patients atteints d’ostéosarcome, un type de cancer des os. Le calcul du modèle était correct à 85 % par rapport aux résultats d’un pathologiste musculo-squelettique. Après avoir supprimé une valeur aberrante, la précision est passée à 99 %.

Un calcul de NP après chimiothérapie aide le patient à obtenir un pronostic de survie. Par exemple, une NP de 99 % signifie que 99 % de la tumeur est décédée, ce qui indique que la chimiothérapie a été efficace et que les chances de survie du patient sont améliorées. Les pathologistes calculent la PN en visualisant, en interprétant et en annotant des images de diapositives entières (WSI). Il s’agit de coupes fines d’un échantillon (dans ce contexte, du tissu osseux) qui sont montées sur des lames de microscope pour une analyse microscopique.

Le calcul de la PN est un processus laborieux qui nécessite de nombreuses données d’annotation de la part du pathologiste musculo-squelettique. De plus, sa fiabilité inter-observateur est faible, ce qui signifie que deux pathologistes tentant de calculer un PN à partir des mêmes WSI tirent souvent des conclusions différentes. En raison de ces facteurs, nous avons estimé qu’il serait utile d’essayer de calculer un PN d’une autre manière.

Christa LiBrizzi, MD, co-premier auteur de l’étude et résidente au service de chirurgie orthopédique de Johns Hopkins Medicine

L’équipe souhaitait développer un modèle d’apprentissage automatique « faiblement supervisé » dont l’entraînement nécessitait un minimum de données d’annotation. Former le modèle de cette manière signifierait qu’un pathologiste musculo-squelettique utilisant le modèle pour calculer la NP d’un patient n’aurait qu’à lui fournir des WSI partiellement annotés, réduisant ainsi la charge de travail du pathologiste.

Tout d’abord, l’équipe a collecté des données, notamment des WSI, à partir des archives de pathologie du Johns Hopkins US Tertiary Cancer Center. Toutes les données provenaient de patients atteints d’ostéosarcome intramédullaire – ; c’est-à-dire un ostéosarcome apparu au milieu de l’os – ; qui a subi une chimiothérapie et une intervention chirurgicale au centre entre 2011 et 2021. L’équipe a ensuite demandé à un pathologiste musculo-squelettique d’annoter partiellement trois types de tissus sur chacun des WSI collectés : le tissu tumoral actif, le tissu tumoral mort et le tissu non tumoral. Le pathologiste a également estimé le NP pour chaque patient. À l’aide de ces informations, l’équipe a commencé à entraîner le modèle.

« Nous avons décidé de former le modèle en lui apprenant à reconnaître des modèles d’images », explique Zhenzhen Wang, co-premier auteur de l’étude et doctorant en génie biomédical à la faculté de médecine de l’université Johns Hopkins. « Nous avons divisé les WSI en milliers de petits patchs, puis divisés les patchs en groupes en fonction de la façon dont ils étaient étiquetés par le pathologiste. Enfin, nous avons introduit ces correctifs groupés dans le modèle pour l’entraîner. Nous pensions que cela donnerait au modèle un cadre de référence plus robuste que de simplement lui fournir un grand WSI et de risquer de rater la forêt pour les arbres.

Après la formation, le modèle et pathologiste musculo-squelettique a reçu six WSI pour l’interprétation de deux patients atteints d’ostéosarcome. Les résultats ont montré une corrélation positive de 85 % entre le modèle et les calculs PN et le marquage des tissus du pathologiste. Le modèle n’étiquetait pas toujours correctement le cartilage, ce qui entraînait une valeur aberrante en raison de l’abondance du cartilage sur un WSI. Lorsque la valeur aberrante a été supprimée, la corrélation est passée à 99 %.

« Si ce modèle était validé et créé, il pourrait aider à évaluer plus rapidement l’efficacité de la chimiothérapie chez un patient – ​​et ainsi lui fournir une estimation plus rapide du pronostic », explique LiBrizzi. « Cela réduirait les coûts des soins de santé ainsi que la charge de travail des pathologistes musculo-squelettiques. »

Dans les études futures, l’équipe aimerait inclure le tissu cartilagineux dans la formation du modèle et diversifier les WSI pour inclure d’autres types d’ostéosarcomes au-delà du intramédullaire.

L’étude a été publiée en ligne le 5 octobre Journal de recherche orthopédique.