Santé
L’impact révolutionnaire et mesurable de l’IA sur le cancer
Utiliser les mégadonnées pour améliorer l’IA dans la détection et le traitement du cancer
L’intégration de l’IA dans le processus de prise de décision en matière de soins de santé contribue à révolutionner le domaine et à conduire à des décisions de traitement plus précises et plus cohérentes en raison de sa capacité virtuellement illimitée à identifier des modèles trop complexes pour que les humains puissent les voir.
Le domaine de l’oncologie génère d’énormes ensembles de données, des antécédents cliniques non structurés aux données d’imagerie et de séquençage génomique, à divers stades du parcours du patient. L’IA peut « intelligemment » analyser de grands lots de données à des vitesses plus rapides que les méthodes traditionnelles, ce qui est crucial pour la formation des algorithmes d’apprentissage automatique qui sont fondamentaux pour les outils de test et de surveillance avancés du cancer. L’IA possède également d’immenses capacités de reconnaissance de modèles pour modéliser efficacement les complexités des ensembles de données. C’est important car cela permet une compréhension plus approfondie et multiforme de l’impact des signatures moléculaires nuancées dans la génomique du cancer et les microenvironnements tumorals. La découverte d’un modèle entre les gènes trouvés uniquement dans un sous-ensemble de cas de cancer ou les modèles de progression du cancer peut conduire à une approche plus personnalisée et spécifique au patient pour le traitement.
Quel est l’objectif ultime ? Des tests de cancer alimentés par l’IA qui soutiennent la prise de décision clinique pour les médecins et leurs patients à chaque étape du parcours du cancer – de la détection et du dépistage à l’identification du bon traitement, et pour surveiller la réponse des patients aux interventions et prédire les récidives.
Qualité et quantité des données : la clé du succès de l’IA
En fin de compte, un algorithme d’IA ne sera pas meilleur que la qualité des données qui le forment. Des données de mauvaise qualité, incomplètes ou mal étiquetées peuvent entraver la capacité de l’IA à trouver les meilleurs modèles (ce que l’on appelle « garbage in, garbage out »). C’est particulièrement vrai pour les soins du cancer, où la modélisation prédictive repose sur une précision impeccable – par exemple, une modification d’un gène sur des milliers pourrait signaler le développement d’une tumeur et éclairer la détection précoce. Assurer ce niveau élevé de qualité est fastidieux et coûteux, mais conduit à de meilleures données, ce qui donne lieu à une précision de test optimale. Cependant, développer un trésor de données utiles comporte des défis importants. Tout d’abord, collecter des données génomiques et moléculaires à grande échelle, qui peuvent impliquer des millions de points de données, est une tâche complexe. Cela commence par avoir les meilleures analyses qui mesurent ces caractéristiques du cancer avec une précision et une résolution impeccables. Les données moléculaires collectées doivent également être aussi diverses en termes de géographie et de représentation des patients que possible pour étendre la capacité prédictive des modèles de formation. Cela bénéficie également de la construction de collaborations et de partenariats à long terme et multidisciplinaires qui peuvent aider à collecter et à traiter les données brutes pour l’analyse. Enfin, codifier des normes éthiques strictes dans la gestion des données est d’une importance capitale lorsqu’il s’agit d’informations sur la santé et de respecter les réglementations strictes sur la confidentialité des patients, ce qui peut parfois présenter un défi dans la collecte de données.
Une abondance de données précises et détaillées ne conduira pas seulement à des capacités de test qui peuvent trouver des modèles rapidement et doter les médecins de la meilleure occasion de répondre aux besoins non satisfaits de leurs patients, mais améliorera et fera progresser tous les aspects de la recherche clinique, en particulier la recherche urgente de meilleurs médicaments et biomarqueurs pour le cancer.
L’IA montre déjà des promesses dans les soins et le traitement du cancer
Des moyens plus efficaces de former l’IA sont déjà mis en œuvre. Mes collègues et moi formons des algorithmes à partir d’un large éventail de données, y compris les résultats d’imagerie, les données de tissu de biopsie, les différentes formes de séquençage génomique et les biomarqueurs protéiques, parmi d’autres analyses – tout cela s’ajoute à des quantités massives de données de formation. Notre capacité à générer des données à l’échelle des quadrillions plutôt que des milliards nous a permis de construire certains des premiers outils d’analyse prédictive vraiment précis en usage clinique, tels que l’identification de tumeurs pour les cancers avancés d’origine inconnue ou les voies de traitement de chimiothérapie prédictives impliquant des variations génétiques subtiles.
Chez Caris Life Sciences, nous avons prouvé que la validation et les tests exhaustifs des algorithmes sont nécessaires, avec des comparaisons avec des preuves du monde réel jouant un rôle clé. Par exemple, nos algorithmes formés pour détecter des cancers spécifiques bénéficient d’une validation contre les données d’histologie de laboratoire, tandis que les prédictions de l’IA pour les régimes de traitement peuvent être comparées avec les résultats de survie clinique du monde réel.
Étant donné les progrès rapides de la recherche sur le cancer, l’expérience suggère que l’apprentissage continu et l’affinement des algorithmes font partie intégrante d’une stratégie d’IA réussie. À mesure que de nouveaux traitements sont développés et que notre compréhension des voies biologiques qui conduisent au cancer évolue, la mise à jour des modèles avec les informations les plus récentes offre des insights plus profonds et améliore la sensibilité de détection.
Ce processus d’apprentissage continu met en évidence l’importance d’une collaboration étroite entre les développeurs d’IA et les communautés cliniques et de recherche. Nous avons constaté que le développement d’outils nouveaux pour analyser les données plus rapidement et avec une plus grande sensibilité, couplé avec les commentaires des oncologues, est essentiel. En résumé, la véritable mesure du succès d’un algorithme d’IA est la façon dont il équipe les oncologues avec des insights prédictifs fiables dont ils ont besoin et à quel point la stratégie d’IA est adaptable aux paradigmes de traitement en constante évolution.
Les applications réelles de l’IA améliorent déjà les taux de survie et la gestion du cancer
Les progrès dans l’échelle et la qualité des données ont déjà eu des impacts mesurables en élargissant l’ensemble d’outils de prise de décision pour les médecins, ce qui a eu des résultats positifs réels sur les soins aux patients et les résultats de survie. Le premier outil d’IA cliniquement validé pour la navigation des choix de traitement de chimiothérapie pour un cancer métastatique difficile à traiter peut potentiellement allonger la survie des patients de 17,5 mois, par rapport aux décisions de traitement standard prises sans algorithmes prédictifs1. Un outil d’IA différent peut prédire avec plus de 94 % de précision la tumeur d’origine pour des dizaines de cancers métastatiques2 – ce qui est crucial pour créer un plan de traitement efficace. Les algorithmes d’IA prédisent également à quel point une tumeur répondra à l’immunothérapie en fonction de la génétique tumorale unique de chaque personne. Dans chacun de ces cas, les outils d’IA équipent la prise de décision clinique qui améliore les résultats pour les patients par rapport aux normes de soins actuelles.
Attendez-vous à une révolution de l’IA dans le cancer
L’IA change déjà la façon dont nous détectons le cancer et le traitons en cours de route. La gestion du cancer aura bientôt des médecins travaillant côte à côte avec l’IA intégrée en temps réel pour traiter et surveiller les patients et rester en avance sur les tentatives du cancer pour déjouer les médicaments avec des mutations. En plus de modèles prédictifs toujours plus performants pour détecter le cancer plus tôt et fournir des paradigmes de traitement personnalisés plus efficaces, les médecins, les chercheurs et les entreprises biotechnologiques travaillent dur aujourd’hui pour exploiter les données et les analyses d’IA pour conduire à de nouvelles découvertes thérapeutiques et biomarqueurs pour demain.
Dans un avenir pas trop lointain, ces avancées impossibles dans l’IA iront bien au-delà des soins du cancer pour toucher tous les états de maladie, mettant fin à une époque d’incertitude et rendant la médecine plus précise, plus personnalisée et plus efficace.
