Intelligence artificielle pour prédire l'efficacité des médicaments et des radiothérapies dans le cancer de la tête et du cou grâce à la pathologie numérique et à l'imagerie radiologique combinées à la génomique tumorale (AI-PREDICT)

Objectifs :

Développer un modèle d'apprentissage automatique qui prédit la probabilité de contrôle de la maladie à partir d'une approche multi-omique. Cet objectif sera atteint grâce aux objectifs spécifiques suivants :

1. Harmoniser les données cliniques standard avec les données radiomiques, pathomiques et génomiques.
2. Établir des modèles prédictifs multi-omiques basés sur l'IA dans une cohorte rétrospective de LA-HNC.
3. Établir des modèles prédictifs multi-omiques basés sur l'IA dans des cohortes prospectives de LA-HNC issues d'essais cliniques en cours initiés par des chercheurs.

Résumé :

Contexte : L'efficacité de la radiothérapie et de la thérapie systémique dans le cancer localement avancé de la tête et du cou (LA-HNC) varie considérablement d'une tumeur à l'autre, et les facteurs cliniques, radiologiques et biologiques spécifiques au patient sont considérés comme déterminants dans les réponses individuelles au traitement. Étant donné que notre compréhension actuelle de ces facteurs spécifiques au patient est insuffisante, l'approche actuelle dans le traitement du HNC est basée sur la population, tous les patients se voyant prescrire des doses de radiothérapie et un régime de thérapie systémique standard. La sélection des patients pour une désintensification ou une intensification du traitement est limitée par le manque de biomarqueurs guidant l'individualisation du traitement. L'utilisation de l'imagerie fonctionnelle multimodale dans le cancer de la tête et du cou, ainsi que l'expansion de notre biobanque actuelle sur la tête et le cou, offrent une opportunité de caractérisation multi-omique détaillée des tumeurs de la tête et du cou, y compris les tumeurs rares. Nous émettons l'hypothèse que de nouvelles méthodes d'intelligence artificielle (IA) intégrant des données multi-omiques permettraient de découvrir des biomarqueurs non invasifs qui pourraient guider la prise de décision individualisée, sur la base des résultats attendus.

Plan de recherche : cette étude explorera tout d'abord les données rétrospectives de 209 patients atteints d'un cancer de la tête et du cou de type LA-HNC traités par radiothérapie et actuellement enregistrés dans notre biobanque HNC. Les données rétrospectives comprennent : 1- les données cliniques standard, les résultats longitudinaux du contrôle du cancer (cliniques), 2- les tissus frais congelés, les tissus fixés au formol et inclus dans la paraffine, les échantillons germinaux, le plasma et les cellules mononucléaires du sang périphérique (génomique et pathomique) ; 3- l'imagerie multimodale pré-traitement et l'imagerie volumétrique quotidienne pendant la radiothérapie (radiomique). La composante prospective de l'étude comprendra le prélèvement d'échantillons provenant d'au moins trois essais cliniques en cours initiés par des chercheurs : SHORT-OPC (NCT04178174), ORATOR2 (NCT03210103) et VOCAL (NCT03759431). Ces études impliqueront en outre l'acquisition de données cliniques prospectives de haute qualité (y compris sur la qualité de vie) et des biopsies liquides en série pour l'évaluation dynamique des cellules tumorales circulantes, de l'ADN HPV circulant, des exosomes et des microARN.

Les cyberstructures seront fusionnées grâce à la création de lacs de données combinant des données provenant de diverses sources (cartes électroniques, système d'archivage et de communication d'images, système de gestion des informations des biobanques, lames histologiques numérisées). Des algorithmes d'apprentissage automatique, notamment des réseaux neuronaux supervisés, semi-supervisés et non supervisés, seront utilisés pour la sélection des caractéristiques et la performance prédictive du contrôle du cancer. Des modèles de prédiction seront construits en combinant la génomique, la radiomique et la pathomique à des attributs cliniques connus pour prédire la récidive à la fois sous forme de classification binaire (récidive vs absence de récidive) et de délai avant l'événement.

Valeur MOHCC : L'intégration clinique d'algorithmes prédictifs multi-omiques dans le HNC pourrait transformer de manière permanente et disruptive la prestation des soins oncologiques de la tête et du cou en permettant une prise de décision individualisée fondée sur les données, en fonction des résultats attendus. À terme, cela se traduirait par une accélération des découvertes dans le domaine de l'oncologie grâce à la mise en évidence de nouvelles corrélations. Les essais cliniques conduiraient à l'inclusion d'une biobanque prospective de haute qualité provenant d'au moins 300 nouveaux patients, avec une évaluation spatiale et temporelle de la réponse par des échantillons sanguins séquentiels et une imagerie radiologique.