La RCP de demain
Prédiction de chimiosensibilité des tumeurs et des risques de rechute grâce au Deep Learning.
RCP: Réunion de concertation pluridisciplinaire
Amélioration du Diagnostic tumoral
Défis actuels
L’analyse histologique est la pierre angulaire du traitement du cancer, permettant une identification et une caractérisation précises des tumeurs grâce à un examen microscopique méticuleux. Ce processus est essentiel pour proposer le meilleur traitement possible et un suivi assidu des patients. Cependant, les classifications morphologiques actuelles, telles que le classement SBR et le stade AJCC pour le cancer du sein (voir Valderrama et al., 2024), ne correspondent pas parfaitement à la réponse au traitement, ce qui entraîne une perte de chance pour les patients.
Approches classiques
Le séquençage de nouvelle génération (NGS) et l’utilisation de panels de gènes sur des tumeurs ou des biopsies liquides révolutionnent la prise en charge des patients atteints de cancer. Ces méthodes de pointe offrent un potentiel significatif pour améliorer les résultats des traitements en fournissant des données plus précises et personnalisées (Smith et al., 2022 ; Johnson et al., 2023). Cependant, elles négligent une classification cruciale : l’analyse des tissus au microscope. En se privant de cette source d’informations essentielle, ces outils, bien qu’innovants, restent coûteux (plusieurs milliers d’euros par test (Norton et al., 2023)), peuvent être peu pratiques en raison de la quantité limitée de matériel tumoral disponible, et présentent encore des limites en termes de précision et de fiabilité.
Nos Solutions innovantes
Nous proposons une solution novatrice pour enrichir l’arsenal diagnostique des médecins : utiliser l’analyse des tissus et la morphologie des tumeurs pour prédire directement, à partir de l’image, la chimiosensibilité des tumeurs et le risque de rechute. Nos méthodologies, basées sur le Deep Learning, présentent de nombreux avantages :
Accessibilité
Réalisables à partir de l’examen de diagnostic initial.
Économique
Quelques centaines d’euros seulement.
Performant
Compléter le compte rendu médical pour offrir une médecine personnalisée de pointe dès le jour du diagnostic.
Notre approche garantit une meilleure prédiction de la réponse au traitement et du risque de rechute, apportant ainsi une valeur ajoutée significative aux pratiques médicales actuelles.
En intégrant les dernières avancées technologiques et en combinant l’analyse morphologique des tumeurs avec des algorithmes de Deep Learning, nous offrons une solution performante, abordable et toujours réalisable pour un diagnostic plus précis et personnalisé. Rejoignez-nous pour transformer la médecine diagnostique et offrir à chaque patient le meilleur traitement possible dès le premier jour.
* Breast Cancer Research, « The limitations of histopathology for predicting response to treatment and risk of recurrence in breast cancer, » 2022.
** Journal of Clinical Oncology, « Challenges in correlating histopathological features with treatment outcomes in breast cancer, » 2021.
Notre technologie
Apprentissage profond de pointe
Ummon chemo-prAIdict combine des algorithmes propriétaires de pointe basés sur l’apprentissage profond faiblement supervisé et auto-supervisé, associés à l’apprentissage automatique traditionnel et aux voies moléculaires contextuelles, garantissant des performances et des prédictions fines pour des diagnostics de haute précision (Valderrama et al., 2024).
Robustesse
Nos algorithmes subissent des tests rigoureux sur des cohortes externes étendues pour garantir leur fiabilité et leur précision. Ils sont évalués pour leur cohérence biologique, ce qui implique de prédire les résultats des patients en utilisant différents échantillons pour prendre en compte l’hétérogénéité tumorale.
De plus, nos algorithmes sont évalués pour leur variabilité technique en étant testés sur différents scanners, confirmant ainsi leurs capacités à être indépendants des scanners et assurant une corrélation technique robuste. Ce processus de validation complet souligne notre engagement à fournir des solutions diagnostiques précises et cohérentes.
Contrôle par des experts
Performances de notre solution
Notre solution cible à l’heure actuelle les patientes atteintes d’un cancer du sein et qui suivront un traitement de chimiothérapie néoadjuvante. Notre solution analyse les biopsies de diagnostic pour prédire la chimiosensibilité, le pronostic et le risque de rechute. Nous avons testé notre solution sur une cohorte indépendante de 640 patientes que notre algorithme n’avait jamais vu, provenant d’un centre indépendant de nos cohortes d’apprentissage.
Le modèle clinique utilise la classification de référence. Celle ci n’est malheureusement pas associé à la réponse thérapeutique.
| Méthodes | Modèle clinique (CM) | ||
|---|---|---|---|
| OR (95% CI) | AUC | P | |
| HER2+ | 3.63 (0.07-185.45) | 0.51 | 1 |
| HER2-/RH+ | 0.436 (0.0237-8.01) | 0.56 | 0.595 |
| TNBC | 2.03 (0.57-7.15) | 0.47 | 0.308 |
Clinical Model utilizes the molecular subtype (4 classes: HER2+/RH+, HER2-/RH+, HER2+/RH-, and TNBC), AJCC staging (11 classes: 0, I, IA, IB, IIA, IIB, IIIA, IIIB, IIIC, X, K), and SBR grade (3 classes: I, II, III) information.
Résultats sur une cohorte externe de 640 patients.
Notre solution de Deep Learning chemo-prAIdict est fortement associée à la réponse au traitement sur tous les types de cancer du sein.
| Méthodes | Modèle d'imagerie de lames entières (WSIM) | ||
|---|---|---|---|
| OR (95% CI) | AUC | P | |
| HER2+ | 2.70 (1.08-6.76) | 0.67 | 0.0358 |
| HER2-/RH+ | 20.56 (1.14-371.74) | 0.87 | 0.00413 |
| TNBC | 3.02 (1.18-7.74) | 0.71 | 0.0206 |
Résultats sur une cohorte externe de 640 patients.
Nous avons pu tester notre solution sur une cohorte
- pour les tumeurs HER2+ : 2,70 chances en plus de détecter la tumeur chimiosensible.
- pour TNBC : 3.02 chances en plus de détecter la tumeur chimiosensible.
- Pour les tumeurs luminales (ER+/HER2-) : 20.56 chances en plus de détecter la tumeur chimiosensible.
par rapport à la classification standard.
Ces excellents résultats font l’objet d’études complémentaires pour améliorer encore notre performance et notre niveau de preuve clinique. Nous avons également pu initier des programmes de développement dans d’autres pathologies, comme le cancer de l’ovaire et le lymphome de Hodgkin.