Un outil d’intelligence artificielle pour détecter le profil moléculaire des CBNPC métastatiques

La caractérisation moléculaire des adénocarcinomes pulmonaires métastatiques n’est pas toujours possible du fait de tissu tumoral insuffisant ou d’un accès limité aux plateformes moléculaires. L’objectif du travail présenté par B. Besse et al. était de mettre au point un outil utilisant l’intelligence artificielle permettant de prédire les profils moléculaires les plus fréquents des tumeurs à partir des caractéristiques radiologiques de patients. Un algorithme a été réalisé en utilisant les données moléculaires et radiologiques de 656 patients atteints d’un adénocarcinome pulmonaire de stade IV, avec une revue rétrospective centralisée des clichés par 2 radiologues. 

Les analyses de corrélation montrent que, chez les patients atteints d’un CBNPC avec mutation de l’EGFR, les métastases pleurales sont plus fréquentes (32 %, contre 20 % ; p = 0,021) qu’en l’absence de mutation de l’EGFR, à l’inverse des métastases surrénales et ganglionnaires (6 %, contre 23 % ; p < 0,001, et 11 %, contre 23 %, respectivement ; p = 0,011). Dans le groupe de patients avec un réarrangement d’ALK, les métastases cérébrales et pulmonaires sont plus nombreuses  (42 %, contre 29 %, respectivement ; p = 0,043 ; et 37 %, contre 24 % ; p = 0,037). Dans le groupe de patients BRAF muté, les métastases pleurales et péricardiques sont plus fréquentes (47 %, contre 20 % ; p < 0,001 ; et 11 %, contre 3 %, respectivement ; p = 0,04) à l’inverse des métastases osseuses (21 %, contre 42 % ; p = 0,011). Les lymphangites sont plus fréquentes dans les 3 groupes EGFR, ALK et BRAF muté (6, 7 et 15 %, contre 1 % ; p = 0,016, p = 0,009 et p < 0,001, respectivement). Un accès en ligne gratuit à l'algorithme est maintenant disponible (tactic-ct.fr) et pour chaque patient, il est possible d’entrer l'âge, le sexe, le statut tabagique et les sites métastatiques connus ou non au diagnostic (présents/absents/inconnus) et d’obtenir un score de mutation. L’ensemble des nouvelles données permettra un apprentissage continu de l’outil et d’affiner ainsi l'algorithme. Cet outil pourrait permettre d'économiser du temps, des tissus tumoraux, des ressources économiques et d’accélérer l’accès à un traitement personnalisé.