À l’heure de notre rendez-vous annuel sur les avancées en oncologie de l’année passée, une réflexion porte sur les enjeux du développement des médicaments en oncologie, alors que les processus d’intelligence artificielle s’intègrent maintenant dans les processus cliniques. Le machine learning permet aux ordinateurs de tirer parti au mieux des données provenant de modèles traditionnels de prédiction ou d’organisation, sans être explicitement programmés. Le deep learning est un sous-ensemble du machine learning qui repose sur des réseaux de neurones artificiels profonds (ou réseaux neuronaux à plusieurs couches), plus complexes à comprendre en ce qui concerne les décisions prises et la transparence. Ces réseaux sont capables d’apprendre des représentations hiérarchiques des données, en extrayant des caractéristiques à différents niveaux de complexité, par exemple au sein d’une image, ou au sein de séries temporelles. Si ces technologies sont transformantes dans l’analyse de données biologiques ou pharmacomoléculaires, avec l’identification de cibles thérapeutiques et le criblage ainsi que l’optimisation de la structure d’agents médicamenteux, elles deviennent pertinentes en recherche clinique et translationnelle sur plusieurs aspects.
En phase précoce, la modélisation pharmacocinétique ou pharmacogénomique peut intégrer les modèles précliniques pour quantifier l’inhibition de voies de signalisation et prédire l’efficacité clinique, voire la survie des patients ; un exemple est celui des analyses conduites en situation de cancer bronchique avec mutation de l’EGFR, qui a la possibilité de prédire les résultats des essais récents de phase III intégrant des combinaisons de thérapies ciblées et/ou de chimiothérapie. En phase plus tardive, pour les essais randomisés, le développement de bras comparateurs synthétiques, intégrant des données de vie réelle sur de grandes cohortes, permet une évaluation comparative de l’efficacité des traitements, reconnue par les autorités de santé. Enfin, l’évaluation de biomarqueurs simples peut devenir plus quantitative en démultipliant les capacités d’analyse d’images ; ainsi, la quantification précise, membranaire et cytoplasmique, de l’expression de TROP-2, cible d’anticorps conjugués en développement, semble prédictive de l’efficacité de ces médicaments. L’enjeu est finalement celui d’une possibilité d’accélération des développements, à la fois en matière de pertinence, de priorisation et de dimensionnement des études cliniques à mener, et potentiellement d’identification rapide des biomarqueurs prédictifs permettant de stratifier ou de cibler les populations de patients.
Cependant, ces technologies d’apprentissage sont par essence associées à un certain niveau de labilité, de modification des algorithmes au cours de l’acquisition des données, ce qui modifie les processus de validation classiques auxquels nous avons été habitués ; ainsi, entre cohortes d’entraînement et cohortes de validation, les frontières peuvent devenir plus continues, et les seuils de décision peuvent se modifier avec l’utilisation de l’outil sans qu’une nouvelle validation soit en fait nécessaire.
S’approprier ces méthodologies pour les comprendre, les intégrer dans les essais cliniques classiques, et finalement les utiliser à bon escient devient un nouvel enjeu pour l’oncologue du XXIe siècle.