Actualité santé | News 24

L’IA est formée pour détecter les signes avant-coureurs dans les analyses de sang

Getty Images Un médecin effectue une prise de sang sur un patient souriantGetty Images

L’IA peut potentiellement détecter bien plus à partir d’un test sanguin que ce qui est actuellement possible

Il s’agit du troisième volet d’une série en six parties qui examine comment l’IA change la recherche et les traitements médicaux.

Le cancer de l’ovaire est « rare, sous-financé et mortel », déclare Audra Moran, directrice de l’Ovarian Cancer Research Alliance (Ocra), une organisation caritative mondiale basée à New York.

Comme tous les cancers, plus il est détecté tôt, mieux c’est.

La plupart des cancers de l’ovaire commencent dans les trompes de Fallope, donc au moment où ils atteignent les ovaires, ils peuvent déjà s’être propagés ailleurs.

« Cinq ans avant de présenter un symptôme, il faudra peut-être détecter un cancer de l’ovaire pour influer sur la mortalité », explique Mme Moran.

Mais de nouveaux tests sanguins font leur apparition et utilisent la puissance de l’intelligence artificielle (IA) pour détecter les signes du cancer à ses tout premiers stades.

Et il ne s’agit pas seulement du cancer, l’IA peut également accélérer d’autres tests sanguins pour détecter des infections potentiellement mortelles comme la pneumonie.

Le Dr Daniel Heller du Memorial Sloan Kettering Cancer Center examine un petit tube à essai Centre de cancérologie Memorial Sloan Kettering

Le Dr Daniel Heller forme l’IA à détecter les premiers signes du cancer de l’ovaire

Le Dr Daniel Heller est ingénieur biomédical au Memorial Sloan Kettering Cancer Center de New York.

Son équipe a mis au point une technologie de test utilisant des nanotubes, de minuscules tubes de carbone environ 50 000 fois plus petits que le diamètre d’un cheveu humain.

Il y a environ 20 ans, les scientifiques ont commencé à découvrir des nanotubes capables d’émettre une lumière fluorescente.

Au cours de la dernière décennie, les chercheurs ont appris à modifier les propriétés de ces nanotubes afin qu’ils réagissent à presque tout ce qui se trouve dans le sang.

Il est désormais possible d’introduire des millions de nanotubes dans un échantillon de sang et de leur faire émettre différentes longueurs d’onde de lumière en fonction de ce qui y adhère.

Mais cela restait la question de l’interprétation du signal, que le Dr Heller assimile à la recherche d’une correspondance avec une empreinte digitale.

Dans ce cas, l’empreinte digitale est un ensemble de molécules se liant aux capteurs, avec différentes sensibilités et forces de liaison.

Mais les motifs sont trop subtils pour qu’un humain puisse les distinguer.

« Nous pouvons examiner les données et nous n’y trouverons aucun sens », dit-il. « Nous ne pouvons voir que les modèles différents avec l’IA. »

Décoder les données des nanotubes impliquait de charger les données dans un algorithme d’apprentissage automatique et d’indiquer à l’algorithme quels échantillons provenaient de patientes atteintes d’un cancer de l’ovaire et lesquels provenaient de personnes qui n’en étaient pas atteintes.

Il s’agissait notamment de sang provenant de personnes atteintes d’autres formes de cancer ou d’autres maladies gynécologiques pouvant être confondues avec le cancer de l’ovaire.

Bannière

L’un des grands défis liés à l’utilisation de l’IA pour développer des tests sanguins destinés à la recherche sur le cancer de l’ovaire est qu’elle est relativement rare, ce qui limite les données nécessaires à l’entraînement des algorithmes.

Et même une grande partie de ces données sont cloisonnées dans les hôpitaux qui les ont soignés, avec un partage minimal de données pour les chercheurs.

Le Dr Heller décrit la formation de l’algorithme sur les données disponibles provenant de seulement quelques centaines de patients comme un « Je vous salue Marie ».

Mais il affirme que l’IA a pu obtenir une meilleure précision que les meilleurs biomarqueurs du cancer disponibles aujourd’hui – et ce n’était que le premier essai.

Le système fait l’objet d’études plus approfondies pour voir s’il peut être amélioré en utilisant des ensembles plus grands de capteurs et des échantillons provenant d’un plus grand nombre de patients. Plus de données peuvent améliorer l’algorithme, tout comme les algorithmes pour les voitures autonomes peuvent s’améliorer avec davantage de tests dans la rue.

Le Dr Heller fonde de grands espoirs sur cette technologie.

« Ce que nous aimerions faire, c’est trier toutes les maladies gynécologiques. Ainsi, lorsqu’une personne se présente avec une plainte, pouvons-nous fournir aux médecins un outil qui leur indique rapidement qu’il est plus probable qu’il s’agisse d’un cancer ou non, ou de ce cancer plutôt que de celui-là. »

Le Dr Heller dit que cela pourrait prendre « trois à cinq ans ».

Les employés du laboratoire Karius en blouse violette examinent les testsKarius

Karius possède une base de données d’ADN microbien qui contient des dizaines de milliards de points de données.

L’IA n’est pas seulement potentiellement utile pour la détection précoce, elle permet également d’accélérer d’autres tests sanguins.

Pour un patient atteint d’un cancer, contracter une pneumonie peut être mortel et, comme il existe environ 600 organismes différents pouvant causer une pneumonie, les médecins doivent effectuer plusieurs tests pour identifier l’infection.

Mais de nouveaux types de tests sanguins simplifient et accélèrent le processus.

Karuis, basé en Californie, utilise l’intelligence artificielle (IA) pour aider à identifier l’agent pathogène précis de la pneumonie en 24 heures et à sélectionner l’antibiotique approprié.

« Avant notre test, un patient atteint de pneumonie devait subir 15 à 20 tests différents pour identifier son infection au cours de sa première semaine d’hospitalisation, ce qui représente environ 20 000 dollars de tests », explique Alec Ford, directeur général de Karius.

Karius possède une base de données d’ADN microbien qui contient des dizaines de milliards de points de données. Les échantillons de test des patients peuvent être comparés à cette base de données pour identifier l’agent pathogène exact.

M. Ford affirme que cela aurait été impossible sans l’IA.

L’un des défis est que les chercheurs ne comprennent pas nécessairement tous les liens qu’une IA pourrait établir entre les biomarqueurs testés et les maladies.

Au cours des deux dernières années, le Dr Slavé Petrovski a développé une plateforme d’IA appelée Milton qui, en utilisant des biomarqueurs issus des données de la biobanque britannique, permet d’identifier 120 maladies avec un taux de réussite de plus de 90 %.

Trouver des modèles dans une telle masse de données est une chose que l’IA peut faire.

« Il s’agit souvent de modèles complexes, dans lesquels il n’y a peut-être pas un seul biomarqueur, mais il faut prendre en considération l’ensemble du modèle », explique le Dr Petrovski, chercheur chez le géant pharmaceutique AstraZeneca.

Le Dr Heller utilise une technique similaire de correspondance de modèles dans ses travaux sur le cancer de l’ovaire.

« Nous savons que le capteur se lie aux protéines et aux petites molécules présentes dans le sang et y répond, mais nous ne savons pas lesquelles de ces protéines ou molécules sont spécifiques au cancer », dit-il.

Plus généralement, les données, ou leur absence, restent un inconvénient.

« Les gens ne partagent pas leurs données, ou alors il n’existe aucun mécanisme pour le faire », explique Mme Moran.

Ocra finance un registre de patients à grande échelle, avec des dossiers médicaux électroniques des patients, qui ont permis aux chercheurs de former des algorithmes sur leurs données.

« Il n’en est qu’à ses débuts – nous sommes encore à l’ouest sauvage de l’IA », déclare Mme Moran.

Plus de technologie d’entreprise