Une approche d’apprentissage automatique détecte les limites des tumeurs cérébrales
13 décembre 2022
En bref
- Les données de milliers de patients atteints de glioblastome ont été utilisées pour développer un modèle précis de détection des limites tumorales.
- L’approche pourrait être adaptée pour analyser et donner un aperçu d’autres domaines où les données sont rares, comme les maladies rares ou les populations sous-représentées.
Le glioblastome est un type de cancer du cerveau agressif et difficile à traiter. C’est le type de cancer du cerveau le plus courant chez les adultes. Mais parce qu’elle touche moins de 10 personnes sur 100 000 chaque année, elle est considérée comme une maladie rare.
Définir les limites des tumeurs du glioblastome est important pour le traitement. Une région clé représente la rupture de la barrière hémato-encéphalique à l’intérieur de la tumeur. Un autre, appelé noyau tumoral, pourrait être pertinent pour l’ablation chirurgicale. Il est également généralement mesuré pour évaluer la réponse au traitement. Une troisième région, la tumeur entière, représente le tissu infiltré qui pourrait être traité par rayonnement. L’identification de ces régions avec précision peut être difficile, en particulier dans les établissements où il n’y a pas beaucoup de cas de la maladie.
Malgré des années de progrès dans la compréhension du glioblastome, les taux de survie ne se sont que légèrement améliorés au cours des deux dernières décennies. L’un des obstacles a été la difficulté de collecter des ensembles de données vastes et diversifiés pour ce cancer rare. Les grands ensembles de données pourraient potentiellement donner de nouvelles informations. Mais le partage de ces données entre les institutions pose des défis pour la confidentialité des patients et d’autres raisons juridiques.
Pour surmonter ces obstacles, une équipe de recherche dirigée par le Dr Spyridon Bakas de l’Université de Pennsylvanie a développé une méthode d’apprentissage à partir des données sur le glioblastome dans les institutions du monde entier. L’approche est appelée apprentissage automatique fédéré. Il permet aux établissements de collaborer sur des projets d’intelligence artificielle et d’apprentissage automatique sans partager les données sensibles des patients. Les découvertes ont été décrites dans Communication Nature le 5 décembre 2022.
L’apprentissage automatique dépend d’algorithmes informatiques qui sont continuellement améliorés et affinés au fur et à mesure qu’ils analysent un grand nombre de points de données, à la recherche de modèles qui peuvent diagnostiquer ou prédire les résultats de manière fiable. Dans le machine learning fédéré, ces algorithmes sont formés sur plusieurs sites ou serveurs. Avec cette approche, les institutions n’ont pas besoin de télécharger et de partager des informations sensibles dans une base de données centralisée.
L’équipe de recherche a entrepris de créer un modèle d’apprentissage automatique fédéré pour définir les limites des tumeurs du glioblastome. Ils ont utilisé un processus en plusieurs étapes. Les algorithmes initiaux ont été développés et affinés sur la base d’un jugement d’expert sur les données d’imagerie cérébrale dans un ensemble de données accessible au public. Plus de données de patients ont ensuite été ajoutées à partir de plusieurs sites fédérés pour valider le modèle et améliorer sa précision. Dans sa phase finale, le modèle comprenait des données provenant de plus de 6 300 patients atteints de glioblastome sur 71 sites dans le monde.
Comparé au modèle préliminaire, le modèle final a conduit à une amélioration de 33 % dans la localisation du noyau tumoral et une amélioration de 16 % dans l’identification de la tumeur entière. La détection de la rupture de la barrière hémato-encéphalique s’est améliorée de 27 %.
Ces améliorations montrent que l’intégration de données rares provenant de plusieurs sites peut améliorer les résultats de l’apprentissage automatique. Les chercheurs notent que cette approche pourrait être utile dans des domaines où les données peuvent être difficiles à obtenir, comme les maladies rares ou les populations sous-représentées.
Il s’agit de l’ensemble de données le plus vaste et le plus diversifié sur les patients atteints de glioblastome jamais pris en compte dans la littérature, et il a été rendu possible grâce à l’apprentissage fédéré, explique Bakas. Plus nous pouvons fournir de données aux modèles d’apprentissage automatique, plus ils deviennent précis, ce qui peut à son tour améliorer notre capacité à comprendre, traiter et éliminer le glioblastome chez les patients avec plus de précision.
par Vicki Contie
Liens connexes
Les références: L’apprentissage fédéré permet le big data pour la détection des limites des cancers rares. Pati S, Baid U, Edwards B, Sheller M, Wang SH, Reina GA, Foley P, Gruzdev A, Karkada D, Davatzikos C, Sako C, Ghodasara S, Bilello M, Mohan S, Vollmuth P, Brugnara G, Preetha CJ , Sahm F, Maier-Hein K, Zenk M, Bendszus M, Wick W, Calabrese E, Rudie J, Villanueva-Meyer J, Cha S, Ingalhalikar M, Jadhav M, Pandey U, Saini J, Garrett J, Larson M, Jeraj R, Currie S, Frood R, Fatania K, Huang RY, Chang K, Quintero CB, Capellades J, Puig J, Trenkler J, Pichler J, Necker G, Haunschmidt A, Meckel S, Shukla G, Liem S, Alexander GS , Lombardo J, Palmer JD, Flanders AE, Dicker AP, Sair HI, Jones CK, Venkataraman A, Jiang M, So TY, Chen C, Heng PA, Dou Q, Kozubek M, Lux F, Michlek J, Matula P, Kekovsk M, Kopivov T, Dostl M, Vybhal V, Vogelbaum MA, Mitchell JR, Farinhas J, Maldjian JA, Yogananda CGB, Pinho MC, Reddy D, Holcomb J, Wagner BC, Ellingson BM, Cloughesy TF, Raymond C, Oughourlian T, Hagiwara A, Wang C, To MS, Bhardwaj S, Chong C, Agzarian M, Falco AX, Martins SB, Teixeira BCA, Sprenger F, M enotti D, Lucio DR, LaMontagne P, Marcus D, Wiestler B, Kofler F, Ezhov I, Metz M, Jain R, Lee M, Lui YW, McKinley R, Slotboom J, Radojewski P, Meier R, Wiest R, Murcia D , Fu E, Haas R, Thompson J, Ormond DR, Badve C, Sloan AE, Vadmal V, Waite K, Colen RR, Pei L, Ak M, Srinivasan A, Bapuraj JR, Rao A, Wang N, Yoshiaki O, Moritani T, Turk S, Lee J, Prabhudesai S, Morn F, Mandel J, Kamnitsas K, Glocker B, Dixon LVM, Williams M, Zampakis P, Panagiotopoulos V, Tsiganos P, Alexiou S, Haliassos I, Zacharaki EI, Moustakas K, Kalogeropoulou C, Kardamakis DM, Choi YS, Lee SK, Chang JH, Ahn SS, Luo B, Poisson L, Wen N, Tiwari P, Verma R, Bareja R, Yadav I, Chen J, Kumar N, Smits M, van der Voort SR, Alafandi A, Incekara F, Wijnenga MMJ, Kapsas G, Gahrmann R, Schouten JW, Dubbink HJ, Vincent AJPE, van den Bent MJ, French PJ, Klein S, Yuan Y, Sharma S, Tseng TC, Adabi S, Niclou SP, Keunen O, Hau AC, Vallires M, Fortin D, Lepage M, Landman B, Ramadass K, Xu K, Chotai S, Chambless LB, Mistry A, Thom pson RC, Gusev Y, Bhuvaneshwar K, Sayah A, Bencheqroun C, Belouali A, Madhavan S, Booth TC, Chelliah A, Modat M, Shuaib H, Dragos C, Abayazeed A, Kolodziej K, Hill M, Abbassy A, Gamal S , Mekhaimar M, Qayati M, Reyes M, Park JE, Yun J, Kim HS, Mahajan A, Muzi M, Benson S, Beets-Tan RGH, Teuwen J, Herrera-Trujillo A, Trujillo M, Escobar W, Abello A, Bernal J, Gmez J, Choi J, Baek S, Kim Y, Ismael H, Allen B, Buatti JM, Kotrotsou A, Li H, Weiss T, Weller M, Bink A, Pouymayou B, Shaykh HF, Saltz J, Prasanna P , Shrestha S, Mani KM, Payne D, Kurc T, Pelaez E, Franco-Maldonado H, Loayza F, Quevedo S, Guevara P, Torche E, Mendoza C, Vera F, Ros E, Lpez E, Velastin SA, Ogbole G , Soneye M, Oyekunle D, Odafe-Oyibotha O, Osobu B, Shu’aibu M, Dorcas A, Dako F, Simpson AL, Hamghalam M, Peoples JJ, Hu R, Tran A, Cutler D, Moraes FY, Boss MA, Gimpel J, Veettil DK, Schmidt K, Bialecki B, Marella S, Price C, Cimino L, Apgar C, Shah P, Menze B, Barnholtz-Sloan JS, Martin J, Bakas S. Nat Commun. 5 décembre 2022;13(1):7346. doi : 10.1038/s41467-022-33407-5. PMID : 36470898.
Financement: National Cancer Institute (NCI) des NIH, National Institute of Neurological Disorders and Stroke (NINDS), National Institute of Biomedical Imaging and Bioengineering (NIBIB) et National Center for Advancing Translational Sciences (NCATS); Fondation nationale de la science; Département américain de la Défense ; Systèmes médicaux Varian ; Ministère de la Santé de la République tchèque ; Deutsche Forschungsgemeinschaft (DFG, Fondation allemande pour la recherche) ; Association Helmholtz; Société néerlandaise du cancer ; Agence nationale chilienne pour la recherche et le développement ; Programme des chaires en IA Canada-CIFAR; Charité de l’hôpital de Leeds ; recherche sur le cancer au Royaume-Uni ; Conseil de recherches médicales; Conseil européen de la recherche ; UKRI London Medical Imaging & Artificial Intelligence Centre for Value-Based Healthcare ; Bienvenue/Recherche en Ingénierie et Sciences Physiques ; Société américaine du cancer; Fondation Dana ; Fondation pour la recherche et l’éducation RSNA ; Fonds National de la Recherche du Luxembourg ; Fonds national suisse de la recherche scientifique.