Élargir le diagnostic du cancer grâce à l’analyse des ganglions lymphatiques

Déploiement clinique et validation d’un algorithme d’apprentissage profond multi-cancers basé sur des modèles de fondation pour la détection des métastases ganglionnaires

Cette étude repose sur une étroite collaboration entre l’informatique et la pratique clinique. La détection des cellules cancéreuses dans les ganglions lymphatiques des patients est essentielle à la prise en charge clinique du cancer. L’analyse de l’état de ces ganglions lymphatiques requiert les compétences d’un pathologiste. Il s’agit toutefois d’un travail fastidieux et prenant. Un outil de diagnostic assisté par ordinateur a donc été développé pour les aider dans cette tâche. Cet outil utilise l’apprentissage profond pour détecter les métastases au niveau des ganglions lymphatiques situés près du côlon. Les chercheurs vont désormais étendre l’apprentissage de cet algorithme aux ganglions lymphatiques de dix types de cancer, afin d’élargir l’utilité de l’outil dans la pratique quotidienne en oncologie hospitalière.

Ce que l’imagerie de la moelle osseuse peut nous apprendre sur la leucémie

DeepMarrow : étude du remodelage de la moelle osseuse après une chimiothérapie intensive comme facteur prédictif de la réponse dans la leucémie myéloïde aiguë

Dans la leucémie myéloïde aiguë (LMA), les modifications au niveau de la zone entourant la tumeur, appelée stroma, peuvent transformer les zones de production rapide de cellules sanguines en sites de croissance cellulaire pathologique, puis en leucémie manifeste. L’objectif de cette étude est de développer des outils numériques d’IA basés sur la pathologie des cellules sanguines qui permettront de quantifier les composants du tissu conjonctif dans la moelle osseuse. Cet outil pourrait également faciliter l’identification de patients atteints de LMA et présentant un risque élevé de rechute. Un tel outil devrait permettre de prédire et de prévenir les rechutes de la LMA, répondant ainsi à un besoin clinique clairement non satisfait.

Diagnostic d’un lymphome rare grâce à l’intelligence artificielle intégrative

Transformation du diagnostic des lymphomes ganglionnaires de la zone marginale par intégration de la pathologie numérique, de la biologie moléculaire et de l’intelligence artificielle

Le lymphome ganglionnaire de la zone marginale (LGZM) est une tumeur maligne rare et difficile à diagnostiquer, qui est souvent confondue avec d’autres pathologies. Les chercheurs proposent une approche de pathologie numérique qui, espèrent-ils, surpassera les pathologistes experts en matière de diagnostic correct du LGZM. Ils intégreront les données cliniques, moléculaires et d’imagerie à l’aide de l’apprentissage profond, dans le but de générer un classificateur qui permettra aux cliniciens de télécharger leurs scans de lames de tissus et d’obtenir un diagnostic correct du LGZM. Sur la base de 900 cas, d’échantillons et de données obtenus dans toute l’Europe, ils espèrent fournir une méthode cliniquement utilisable, mais techniquement sophistiquée, pour identifier un sous-type rare de lymphome.

Biologie spatiale au service de la stratification du risque de cancer du côlon

Stratification du risque de cancer du côlon à l’aide de l’imagerie et de profils de transcription

Pour identifier des biomarqueurs pronostiques pour les cancers colorectaux (CCR) de stade II, les chercheurs se serviront d’approches computationnelles pour combiner des données « omiques » moléculaires avancées avec des images histologiques provenant de 1800 anciens patients atteints de CCR. L’objectif sera d’identifier des marqueurs pronostiques dans des réseaux et de les valider sur de nouvelles cohortes de patients. Il s’agit d’un projet de pathologie numérique avancé.

La fibrose tissulaire déclenche-t-elle la récidive d’un cancer du cerveau ?

Analyse spatiale et interrogation fonctionnelle des zones de cicatrisation fibreuse dans la récidive du glioblastome

Les zones de cicatrisation fibreuse sont associées à la récidive tumorale dans les tumeurs cérébrales agressives. Cette étude associera technologies spatiales multi-omiques de pointe et analyses pathologiques numériques pour explorer les mécanismes à l’origine de la fibrose chez les patients atteints de glioblastome. À terme, les chercheuses espèrent découvrir de nouvelles cibles thérapeutiques capables de perturber la niche fibrotique protectrice de la tumeur et ainsi de prévenir la récidive de la maladie.

Distinguer les tumeurs primaires des métastases dans les poumons grâce à l’IA

Nodules pulmonaires tumoraux multiples : développement de méthodes de pathologie moléculaire et numérique rentables pour distinguer les cancers pulmonaires primaires multiples des métastases intrapulmonaires

L’analyse au microscope des biopsies tumorales colorées est le domaine de compétence du pathologiste. Aujourd’hui, cette technique peut être améliorée et complétée par une analyse informatique et l’intégration d’informations supplémentaires.

À l’aide d’une vaste base de données de coupes tissulaires provenant d’adénocarcinomes pulmonaires primaires, cette équipe optimisera un nouvel outil de pathologie numérique (DPLAS) qui permettra de stratifier les cancers du poumon et de trier les patients. L’un des principaux atouts de cette technologie est qu’elle repose sur des lames H&E couramment disponibles, ce qui permet une large application de l’outil.