Publié le 30 septembre 2025 15:59:00. Une intelligence artificielle développée à Montréal pourrait améliorer la détection d’un facteur clé de mauvais pronostic dans le cancer de l’oropharynx lié au papillomavirus humain (HPV), offrant ainsi une meilleure stratification des patients et une adaptation des traitements.
- Un outil d’IA permet d’identifier avec précision l’extension extranodale (ENE) à partir de scanners CT, souvent difficile à détecter par les méthodes traditionnelles.
- Cette détection par IA est corrélée à une meilleure prédiction de la survie globale, de la survie sans récidive et du contrôle à long terme de la maladie.
- Les chercheurs espèrent que cette technologie pourra être intégrée aux prochaines recommandations de classification du cancer, permettant une prise en charge plus personnalisée.
Des chercheurs ont mis au point un système d’intelligence artificielle (IA) capable de détecter l’extension extranodale (ENE) – une propagation du cancer au-delà des ganglions lymphatiques – chez les patients atteints d’un cancer oropharyngé associé au papillomavirus humain (HPV). Cette avancée, issue d’un centre de recherche en oncologie basé à Montréal, pourrait transformer la manière dont ces patients sont diagnostiqués et traités.
L’étude, portant sur 397 patients atteints d’un carcinome épidermoïde des voies aérodigestives supérieures (carcinome épidermoïde à cellules squameuses, ou CEVS) avec des ganglions lymphatiques cliniquement positifs, a démontré que l’IA est capable d’analyser les scanners tomodensitométriques (CT) standards et d’identifier l’ENE avec une précision comparable, voire supérieure, à celle des neuroradiologues expérimentés. Cette capacité est particulièrement importante car l’ENE est un facteur prédictif d’un pronostic moins favorable, avec un risque accru de récidive et une survie réduite.
Actuellement, la détection de l’ENE repose sur l’interprétation visuelle des images par des spécialistes, une méthode qui peut être subjective et n’est pas toujours disponible, notamment dans les centres de soins de second niveau. L’outil développé à Montréal offre une alternative potentiellement plus reproductible et accessible, permettant de soutenir les décisions thérapeutiques même en l’absence d’expertise en neuroradiologie.
Le système d’IA fonctionne en deux étapes. D’abord, un réseau neuronal 3D segmente les ganglions lymphatiques sur les scanners CT. Ensuite, un algorithme d’apprentissage automatique analyse les caractéristiques radiomiques – des données quantitatives extraites des images – pour déterminer la présence ou l’absence d’ENE. Les performances du modèle de segmentation ont été validées par un coefficient de similitude de dés moyen de 0,74, indiquant une bonne concordance avec les évaluations d’experts. Pour la prédiction de l’ENE, le modèle le plus performant a atteint une aire sous la courbe ROC (ASC) de 0,81.
L’analyse des données de survie a révélé que les patients chez lesquels l’IA a prédit la présence d’ENE avaient un taux de survie à trois ans significativement plus faible (83,8%) que ceux chez lesquels l’ENE n’avait pas été détectée par l’IA (96,8%). L’ENE prédite par l’IA s’est avérée un facteur prédictif indépendant d’une survie globale réduite (risque relatif ajusté de 2,82), d’une survie sans récidive (risque relatif ajusté de 4,20) et d’un contrôle à distance de la maladie (risque relatif ajusté de 12,33).
Bien que la huitième édition du manuel de classification du cancer de l’American Joint Committee on Cancer (AJCC) n’intègre pas l’ENE dans la stadification des cancers HPV-positifs, la neuvième édition, à venir, devrait en tenir compte. L’outil d’IA pourrait donc jouer un rôle important dans l’amélioration de la précision de la classification et, par conséquent, dans l’adaptation des traitements.
Les chercheurs soulignent toutefois que des validations externes supplémentaires sont nécessaires avant que cette technologie puisse être intégrée de manière systématique dans la pratique clinique. Ils envisagent également d’étudier les performances de l’IA sur différents types de systèmes d’imagerie et de l’incorporer dans des essais cliniques pour évaluer son impact réel sur les résultats des patients. Ils suggèrent que la classification de l’ENE basée sur l’IA pourrait aider les cliniciens à identifier les patients qui nécessitent des traitements plus intensifs, tout en permettant d’envisager des options moins agressives pour ceux qui présentent un risque plus faible.
Référence: Dayan GS, Hénie G, Bahig H, et al. Modèle d’intelligence artificielle pour la détection d’extension extranodale basée sur l’imagerie et la prédiction des résultats dans le cancer oropharyngéal Papillomavirus humain positif. JAMA OTOLARYNGOL HEAD Neck Surg., 2025. DOI: 10.1001 / jamaoto.2025.3225
Ce contenu comprend du texte généré avec l’aide de l’IA. La politique d’IA de réseaux technologiques peut être trouvée ici.
À ne pas manquer
