Le lymphome folliculaire, difficile à diagnostiquer et à soigner

Selon le groupe Lysa-Lysarc, l’espérance de vie du lymphome folliculaire est de 15 ans en moyenne après le diagnostic. Il est traité par immunochimiothérapie, mais dans certains cas, les patients répondent mal au traitement. Ainsi, 3 questions fondamentales sont posées :

• comment identifier les patients avec un bon ou un mauvais pronostic ?
• quels sont les éléments rationnels pour choisir le meilleur traitement possible pour le patient ?
• pourquoi les traitements ne ciblent pas encore les rechutes ?

En réponse à ces questions, 3 objectifs cliniques stratégiques sont identifiés :

• établir une classification pour le risque des patients au moment du diagnostic ;
• construire une classification sur la biologie pour traiter les patients au plus proche de leur biologie ;
• et cibler la cellule à l’origine des rechutes, suspectée de se cacher dans la moelle osseuse.

5 groupes de travail pour développer un modèle de calcul précis

Au départ des recherches, seulement un type de données à la fois était utilisée (biologiques ou cliniques ou d’imageries), ce qui n’était pas suffisamment efficace. Le Lysarc réalise que des modèles d’IA intégrant des données différentes et croisées permettent d’avoir “une puissance de classification des patients bien plus pertinente”.

Le projet Bidifly s’articule autour du groupe Lymphoma study association (Lysa)-Lymphoma academic research organisation (Lysarc) et de l’Institute for follicular lymphoma innovation (Ifli). Ses données cliniques concernent près de 2 400 patients, dont près de 1 200 ayant également des données biologiques. Pour construire un modèle de calcul précis, 5 groupes de travail seront constitués avec les tâches suivantes :

• collecter les données ;
• générer des données moléculaires avec du séquençage ;
• cibler la cellule à l’origine de la rechute ;
• intégrer les données globales ;
• et valider le score établi dans l’intégration des données grâce à 700 patients de la cohorte nationale Realysa.

Réduire les variables des données multimodales pour proposer des prédictions

L’approche intégrative des données multimodales a déjà fait ses preuves dans la prédiction à l’immunothérapie, “dans les tumeurs solides, comme le cancer du poumon”, explique Irène Buvat, directrice du Laboratoire d’imagerie translationnelle en oncologie de l’Institut Curie. “Notre capacité à prédire le devenir du patient s’améliore à mesure que nous agrégeons des données émanant de différentes sources”, ajoute-t-elle.

Le défi actuel est de choisir la meilleure manière d’intégrer cette donnée. Une stratégie consiste à chercher les biomarqueurs les plus éloquents, comme les données biologiques et d’imagerie. Avec toutes ces données prélevées, il est possible de générer des milliers de variables, et donc plus de variables que de patients. “Nous allons faire de la réduction de variables pour parvenir à des modèles prédictifs”, souligne Irène Buvat. Et de poursuivre : “Nous allons ensuite soumettre ces modèles à des algorithmes d’IA et l’ultime étape sera de démontrer que le modèle créé fonctionne sur de nouveaux patients.”

Bâtir des modèles les prédictions (DL, ML et IA générative)

Pour l’analyse d’imagerie médicale, le deep learning (DL), ou apprentissage profond, permet de segmenter toutes les régions tumorales automatiquement. Il est également utilisé pour les coupes afin d’identifier les noyaux des cellules et d’étiqueter ces noyaux en fonction de la nature de la cellule.

Pour extraire des biomarqueurs, des équations mathématiques et un réseau de neurones peuvent être utilisés. L’apprentissage profond est plus utile sur un large nombre de patients. Selon Irène Buzat, en machine learning (ML), ou apprentissage automatique, comme en deep learning, il est indispensable d’insérer une certitude à la prédiction : “Nous allons entraîner plein de modèles d’IA et agréger toutes les réponses. Si elles sont identiques, cela nous donnera une très grande confiance. En revanche, si les réponses sont variables elles accentueront l’incertitude de nos résultats.”

De son côté, l’IA générative est capable de convertir des résultats d’algorithmes en une explication compréhensible pour un oncologue qui serait profane en IA.

Des objectifs scientifiques précis et ambitieux

Les objectifs scientifiques du programme de recherche Bidifly sont les suivants :

• bénéficier d’approches sur l’IA pour intégrer des données cliniques, biologiques et d’imagerie pour développer et valider des biomarqueurs d’échec thérapeutique précoce à différente stratégies thérapeutiques (R-monothérapie, R-chimio ou sans chimio) ;
• mieux comprendre l’hétérogénéité du lymphome folliculaire grâce à de très grands ensemble de données d’échantillons de pré-traitement (tumeur, sang, moelle osseuse) et d’imagerie, permettant une classification non supervisée du lymphome folliculaire au diagnostic et la découverte de sous-types d’intérêt via un clustering intégratif ;
• mais aussi fournir une caractérisation des CPC, ou progéniteurs de la rechute, au niveau phénotypique et génomique en relation avec leurs niches immunitaire pour découvrir de nouvelles stratégies thérapeutiques.