Santé
L’impact révolutionnaire de l’IA sur le cancer : des avancées mesurables
Ajouter Unite.AI à vos sources préférées sur Google
Exploiter 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, grâce à sa capacité virtuellement illimitée à identifier des modèles trop complexes pour les humains.
Le domaine de l’oncologie génère des ensembles de données énormes, allant 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 grandes quantités de données à des vitesses plus rapides que les méthodes traditionnelles, ce qui est essentiel pour la formation des algorithmes d’apprentissage automatique qui sont fondamentaux pour les outils de dépistage et de surveillance du cancer avancés. 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 ne se trouvant que dans un sous-ensemble de cas de cancer ou les modèles de progression du cancer peut conduire à une approche de traitement plus personnalisée et adaptée au patient.
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 traitement approprié, 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 jamais 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 dans les soins contre le cancer, où la modélisation prédictive repose sur une précision impeccable – une modification génétique sur des milliers, par exemple, 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 se traduit par une précision de test optimale. Cependant, développer une mine d’or de données utiles comporte des défis importants. Tout d’abord, collecter des données génomiques et moléculaires à grande échelle, ce qui peut impliquer des millions de points de données, est une tâche complexe. Cela commence par avoir les meilleures méthodes d’analyse possibles pour mesurer 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 rassembler 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 quête urgente de meilleurs médicaments et de biomarqueurs pour le cancer.
L’IA montre déjà son potentiel dans les soins et le traitement contre le cancer
Des méthodes plus efficaces pour former l’IA sont déjà mises 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 tissus de biopsie, plusieurs formes de séquençage génomique et des biomarqueurs protéiques, entre 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 parcours de traitement chimiothérapeutique prédictifs 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 de la 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 réels.
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 déterminent le 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 pour analyser les données plus rapidement et avec plus de sensibilité, couplé à des commentaires des oncologues, est essentiel. En fin de compte, la véritable mesure du succès d’un algorithme d’IA est la façon dont il équipe les oncologues de perspectives prédictives fiables dont ils ont besoin et de la façon dont la stratégie d’IA s’adapte 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 les outils de prise de décision des 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 chimiothérapeutique pour un cancer métastatique difficile à traiter peut potentiellement prolonger la survie des patients de 17,5 mois, par rapport aux décisions de traitement standard prises sans algorithmes prédictifs1. Un autre outil d’IA 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 comment 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 une révolution de l’IA dans le cancer
L’IA est déjà en train de changer la façon dont nous détectons le cancer et le traitons tout au long du processus. 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 de contourner les médicaments par des mutations. En plus de modèles prédictifs de plus en plus performants pour détecter le cancer plus tôt et offrir des paradigmes de traitement plus efficaces et personnalisés, les médecins, les chercheurs et les sociétés biotechnologiques travaillent dur aujourd’hui pour exploiter les données et les analyses d’IA pour conduire à de nouvelles découvertes thérapeutiques et à des biomarqueurs moléculaires pour demain.
Dans un avenir pas trop lointain, ces avancées impossibles dans l’IA iront bien au-delà des soins contre le cancer pour toucher tous les états de maladie, mettant fin à une ère d’incertitude et rendant la médecine plus précise, plus personnalisée et plus efficace.
