Concilier génomique et radiomique pour une prise de décision clinique en temps réel dans le cancer du poumon

Objectifs :

1. Réaliser le profilage génomique des échantillons de cas à un stade précoce (A) à l'aide d'un profilage génétique complet, d'une analyse de l'expression génétique et analyser les données d'imagerie disponibles à l'aide des plateformes IAP (B) pour l'extraction des caractéristiques radiomiques. À l'aide des données multi-omiques et des résultats cliniques de ces cas rétrospectifs, nous construirons des signatures de classification moléculaire-radiomique à l'aide du ML. L'un des objectifs est d'identifier les sous-groupes de patients, atteints d'une maladie à un stade précoce, qui sont les plus à risque et qui pourraient bénéficier de traitements plus agressifs.
2. Étendre notre cohorte prospective de 150 cas de CPNPC à un stade avancé à 300 patients et effectuer des tests de biopsie liquide longitudinaux pour surveiller les patients en phase de progression. Un groupe rétrospectif supplémentaire de 50 patients EGFR positifs, avec du plasma longitudinal disponible, sera inclus. Effectuer une analyse similaire des scanners CT des patients comme ci-dessus et utiliser le ML pour construire des modèles de prédiction et des biomarqueurs à partir des données génomiques/radiomiques/cliniques.

Le cancer du poumon non à petites cellules (CPNPC) est la cause la plus fréquente de décès liés au cancer. Alors que les CPNPC à un stade précoce font l'objet d'une surveillance étroite après résection, les CPNPC métastatiques à un stade avancé sont testés pour détecter des altérations génétiques pouvant être traitées par des médicaments. Seuls 25 % des patients atteints d'un CPNPC métastatique présentent des altérations pouvant être traitées par des médicaments et, dans de nombreux cas, après une réponse initiale fréquente, la plupart des patients finissent par développer une résistance aux agents ciblés (ITK) et la maladie progresse. Les 75 % restants sont traités par chimiothérapie, avec ou sans inhibiteurs de points de contrôle (CPI). Malgré les progrès réalisés dans le domaine thérapeutique, moins de 50 % des patients atteints de CPNPC avancé, qui représentent 70 % des cas diagnostiqués, seront encore en vie au bout de 3 ans. Les biomarqueurs pronostiques dans le cancer du poumon à un stade précoce sont indispensables pour orienter le traitement du cancer, identifier les patients les plus exposés à un risque de récidive après une résection chirurgicale et ceux qui pourraient bénéficier de traitements plus agressifs. Le développement de méthodes non invasives de détection et de surveillance des signatures associées à la progression du CPNPC et à la résistance aux médicaments est absolument nécessaire pour orienter les soins aux patients. En conséquence, cette proposition vise à tirer parti de la dynamique collective de recherche clinique qui existe au JGH/LDI/CUSM pour répondre à ces besoins non satisfaits.

Ressources actuellement disponibles : A) I) Une base de données rétrospective regroupant les biopsies pulmonaires de 150 patients atteints d'un cancer du poumon, accompagnées de tissus sains correspondants, pour lesquels nous disposons d'un profilage NGS ciblé et d'un profilage NanoString ciblé conformes aux normes de soins. II) 229 cas de CPNPC de stade II et 400 cas de CPNPC de stade IIIA dans la base de données du JGH. III) Une cohorte prospective de 150 patients atteints d'un CPNPC à un stade avancé qui seront testés à l'aide du panel NGS pan-Cancer (un test sanguin NGS complet). B) Une plateforme d'analyse d'images radiomiques/IA (IAP) pour extraire des caractéristiques basées sur l'image ou « omiques ». Les caractéristiques sont extraites des scanners CT des patients à l'aide d'approches mathématiques (artisanales), de réseaux neuronaux profonds et de différentes approches d'apprentissage automatique (ML) utilisées pour la modélisation prédictive. Plusieurs pipelines analytiques sont en cours de mise en place au laboratoire AIPHL dirigé par le Dr Forghani.

Nous espérons que le couplage de marqueurs génomiques et radiomiques non invasifs permettra la création d'algorithmes de prédiction basés sur l'apprentissage automatique qui faciliteront la prise de décision clinique en temps réel. Il s'agit notamment de modèles intégrant des marqueurs de biopsie liquide mini-invasive et des caractéristiques dérivées d'images afin d'améliorer la précision des soins prodigués aux patients atteints d'un cancer du poumon.