L’analyse des images histologiques par l’intelligence artificielle permet une meilleure stratification pronostique des patients atteints de mélanome cutané primitif

Abstract

Introduction

Une immunothérapie adjuvante des mélanomes primitifs réduit le risque de récidive mais au prix d’une toxicité conséquente. Une meilleure stratification pronostique des patients permettrait de mieux définir ceux bénéficiant de ce traitement adjuvant. Les lames histologiques renferment une multitude d’informations morphologiques, notamment à visée pronostique, non utilisées par le pathologiste. La numérisation des lames histologiques permet la création de lames virtuelles de haute résolution, exploitables par des modèles d’intelligence artificielle (IA). Nous avons développé un algorithme d’IA prédictif de la survie globale à 5 ans des patients atteints de mélanome cutané à partir de l’analyse de la lame virtuelle diagnostique.

Matériel et méthodes

L’algorithme a extrait automatiquement, sans annotation manuelle préalable, les informations morphologiques d’intérêt pronostique de la lame virtuelle de mélanome primitif pour prédire un score de risque de survie à 5 ans pour chaque patient inclus. Les données cliniques des patients étaient extraites d’une base nationale. Le modèle était entrainé sur une première cohorte de 343 patients (343 lames de mélanome cutané – MEL1). Ses performances ont ensuite été testées sur 2 cohortes externes indépendantes (MEL2 : 169 patients et TCGA -The Cancer Genome Atlas- : 63 patients) afin de vérifier sa robustesse. Ses performances étaient évaluées avec le c-index. Elles étaient comparées à celles des critères pronostiques usuels avec le modèle multivarié de Cox. La survie des patients en fonction du score de risque prédit était comparée par le test du Log-rank.

Résultats

Les performances pronostiques de l’algorithme en termes de survie globale à 5 ans sur la cohorte MEL1 étaient les suivantes: c-index 0,78 en cross-validation et 0,73 en cross-testing. Sur les cohortes test, le c-index était à 0,72 (MEL2) et 0,69 (TCGA). En analyse multivariée, l’algorithme était le meilleur facteur pronostique, et indépendant des autres facteurs histopronostiques usuels (HR = 1,83, p < 0,005). Enfin, le modèle était capable de stratifier les patients en 2 groupes de risque–bas risque et haut risque –, chacun associé à une survie globale à 5 ans significativement différente (p < 0,001 pour MEL-1, et p = 0,01 pour MEL-2). De manière intéressante, 14% de stade IA (AJCCC 8) se retrouvaient dans le groupe « haut risque » et 12% de stade IIB/IIC dans le groupe « faible risque ».

Discussion

Les performances de cet algorithme d’IA surpassent celles des critères histopronostiques usuels ce qui permet une meilleure stratification pronostique des patients atteints de mélanome cutané.

Conclusion

Ce nouveau test pronostique performant, basé sur l’IA appliquée à la lame histologique diagnostique pourrait améliorer la prise de décision thérapeutique en identifiant plus précisément les patients nécessitant un traitement adjuvant et ceux à qui on pourrait épargner une toxicité significative.