Projet d’Eric Deutsch

Eric Deutsch dirige également une équipe de recherche appelée « Radiothérapie moléculaire », qui est constituée de médecins, mathématiciens, physiciens, ingénieurs, informaticiens…

En mettant leurs compétences en commun, ces spécialistes cherchent à intégrer l’intelligence artificielle dans la prise en charge des patients pour rendre les traitements contre le cancer plus efficaces.

L’équipe d’Eric Deutsch a montré pour la première fois au monde qu’il était possible, grâce à l’intelligence artificielle, de prédire la résistance à un traitement par immunothérapie à partir d’images de scanner.

 Les chercheurs mènent actuellement de front plusieurs autres projets axés sur la radiothérapie : ils cherchent notamment à utiliser l’intelligence artificielle pour reconstruire des images médicales et ainsi faire de la radiothérapie ultraprécise.

Qu’appelle-t-on intelligence artificielle ? C’est une sorte de cerveau virtuel plus intelligent que le nôtre ?

L’intelligence artificielle repose sur la création de programmes, d’algorithmes, qui vont permettre à des machines d’accomplir des tâches, de manière plus précise et plus rapide que ce qu’un humain peut accomplir en utilisant sa propre intelligence.

Les programmes créés vont permettre à la machine d’apprendre par elle-même, de s’entraîner et de se perfectionner, à condition au départ de lui avoir rentré un très grand nombre de données fiables, avec les bons exercices et les bons corrigés.

Et l’IA, l’intelligence artificielle ne sert pas qu’à aider les entreprises à vous vendre des choses dont vous n’avez pas besoin ou à gagner des parties d’échec ou de Go.

Grâce à l’intelligence artificielle, l’équipe d’Eric Deutsch a réussi à prédire la réponse à un traitement contre le cancer. Pouvez-vous nous en dire plus ?

C’est une étude qui a été en partie financée par la FRM.
Certains cancers sont aujourd’hui traités par immunothérapie, un traitement qui vise à stimuler le système immunitaire et à renforcer la lutte de l’organisme contre la tumeur.

Il n’existait jusqu’ici aucun moyen de savoir si ce traitement pouvait être efficace chez un patient

 On savait seulement que plus la tumeur et son environnement contenaient de cellules immunitaires, plus l’immunothérapie avait de chance de fonctionner.

Les chercheurs ont donc voulu trouver un moyen d’évaluer précisément l’environnement immunitaire de la tumeur à partir d’images médicales, afin de prédire l’efficacité du traitement.

Concrètement, comment ont-ils procédé ? Comment s’intègre ici l’intelligence artificielle ?

Les chercheurs sont partis d’images des tumeurs patients, plus précisément de scanners.

Pour chaque patient, ils disposaient également de biopsies à partir desquelles ils ont déterminé la quantité de cellules immunitaires.

Donc d’un côté les chercheurs avaient les images, de l’autre l’évaluation de l’environnement immunitaire au niveau de la tumeur.

Ils ont apporté les données de 500 patients à un algorithme qui a appris à corréler les caractéristiques des images des patients avec leurs données biologiques.

Le scanner est porteur d’une information que l’œil et le cerveau humains ne sont pas capables de voir. D’où l’intérêt d’entraîner un algorithme à les repérer.

Pour vous donner l’idée de la complexité de l’opération.

Imaginez des images de 100 pixels par 100 pixels c'est-à-dire 10 000 pixels tous vaguement beige du plus foncé au plus clair et distribués aléatoirement pour notre œil. Pour nous impossible d’y remarquer quoi que ce soit

L’IA va chercher des zones qui répètent dans dans certaines images par exemple : le pixel clair 75 -22 en haut à gauche est toujours suivi par trois pixels un peu plus foncés en haut et à gauche des images.

Et cette signature est corrélée à une caractéristique biologique de la tumeur associée à l’image.

Voila ce que fait l’IA et que nous ne pouvons pas faire.

Et imaginez la complexité si au lieu d’une image de 10 000 pixels, vous ajoutez une troisième dimension qu’il s’agit d’un cube en 3 D donc de 100 par 100 par 100 c'est-à-dire 1 million de voxels (les pixels en volume)

Les chercheurs ont réussi à créer une signature dite radiomique, c’est-à-dire basée sur l’image, capable d’évaluer l’environnement immunitaire au niveau de la tumeur.

Est-ce qu’ils ont réussi à montrer que cette signature radiomique pouvait prédire l’efficacité du traitement ?

Oui. Les chercheurs ont déjà réussi à prouver que des patients, chez qui l’immunothérapie fonctionnait, avaient un score radiomique plus élevé.

Or c’est important car seuls 15 à 30 % des patients répondent à l’immunothérapie.

Cela permettra donc de ne traiter que ces derniers.

Mais avant d’appliquer l’algorithme en routine, il va falloir le tester chez bien plus de patients dans un essai à plus grande échèle.

Dans ce même laboratoire, les chercheurs utilisent également l’intelligence artificielle pour améliorer la radiothérapie.

Le traitement par radiothérapie repose sur des images diagnostiques. On fait tout d’abord un scanner qui va permettre de doser les rayonnements délivrés au niveau de la tumeur. Le scanner permet de voir uniquement les tissus durs. Mais pour bien cibler la zone tumorale, et agencer au mieux les faisceaux qui vont délivrer le traitement, l’IRM est nécessaire, car elle permet de voir les tissus mous donc la tumeur. Pour établir le protocole de radiothérapie à partir d’un scanner et d’une IRM, les deux images doivent être extrêmement bien calées, c’est-à-dire qu’on doit pouvoir les superposer. Or ce n’est pas vraiment le cas. Il faut donc passer par une étape de recalage. Pour l’éviter, les chercheurs utilisent l’intelligence artificielle pour essayer de générer des scanners « synthétiques » à partir d’IRM. L’objectif est d’avoir des scanners et des IRM totalement compatibles, superposables, donc d’établir un protocole de radiothérapie bien plus efficace, d’attaquer la tumeur au bon endroit, avec la bonne force.

L’enjeu de l’intelligence artificielle appliquée à la médecine, ce n’est pas la compétition entre deux intelligences mais au contraire leur association, pour une meilleure prise en charge des patients.