Une étude d’un logiciel basé sur l’analyse d’images conçu pour compter de manière algorithmique les lymphocytes infiltrant les tumeurs (TIL) dans les microenvironnements tumoraux a suggéré qu’il est au moins aussi précis que le comptage manuel et peut être prédictif de l’efficacité du traitement dans le cancer du sein, selon les résultats présentés au Réunion annuelle 2022 de la Société américaine d’oncologie clinique (ASCO).
“Cette [software] pourrait être un outil très utile pour les pathologistes afin de mieux énumérer les différents composants du microenvironnement tumoral », Kim Blenman, PhD, MS, chercheur en chef de l’étude ainsi que professeur adjoint de médecine (oncologie médicale) et d’informatique à la Yale School of Medicine à New Haven, Connecticut, a déclaré dans une interview avec CancerNetwork®.
Le logiciel a été testé à partir des données de l’essai SWOG S0800 (NCT00856492) de la chimiothérapie néoadjuvante avec ou sans bevacizumab (Avastin) dans les cancers du sein HER2-négatifs de stade IIB à IIIC. La quantification de TIL à l’aide du logiciel open source QuPath et d’un classificateur de cellules de réseau neuronal convolutif (CNN11) a donné des scores de prétraitement significativement plus élevés dans les cas présentant une réponse pathologique complète (pCR) par rapport à la maladie résiduelle (moyenne, 31 % contre 17 %, P <.001). De plus, la corrélation entre les méthodes algorithmiques et de lecture par le pathologiste était élevée (r = 0,606, P <.0001), avec des aires sous la courbe de prédiction (AUC) de 0,709 et 0,627, respectivement. Les chercheurs ont ainsi conclu que la quantification de TIL basée sur l'analyse d'images affichait une meilleure discrimination des résultats et prédisait mieux la pCR que la quantification de TIL stromale lue par un pathologiste.
Réseau Cancer®: Quelle était la justification de l’utilisation des mesures TIL basées sur l’analyse d’images comme prédicteur d’une réponse complète ?
Blenman : Les humains ne savent pas compter au-delà d’un certain nombre, et nous avons appris ces dernières années que le nombre de cellules dans les images pathologiques ou histologiques compte vraiment. La [total] nombre de cellules immunitaires infiltrantes, de cellules cancéreuses réelles et de cellules accessoires dans le microenvironnement tumoral [affects] comment le système immunitaire de l’hôte éliminera la tumeur. Lorsque nous avons essayé pour la première fois d’énumérer le nombre de cellules, nous avons découvert qu’il y en avait trop dans le microenvironnement tumoral [for humans to easily arrive at a consistent and accurate count]. Une solution à ce problème est de concevoir un logiciel qui peut compter pour nous, et nous avons donc conçu des outils logiciels qui peuvent compter les cellules individuelles qui peuvent différencier les cellules immunitaires et les cellules tumorales, et peuvent estimer le nombre de cellules dans certains composants ou certains tissus. [This software] est un excellent moyen d’obtenir ces nombres de cellules.
Quelles ont été certaines des principales conclusions de cette recherche ?
Cette étude visait à valider un outil logiciel que nous avions déjà utilisé dans le mélanome. Dans ce cas, nous voulions voir comment il se comportait comme outil pronostique pour les traitements [in breast cancer]. Nous avons profité d’une belle étude du Southwest Oncology Group, baptisée SWOG S08002, qui a examiné des patientes atteintes d’un cancer du sein de stade IIB à IIIC HER2 négatif traitées avec et sans bevacizumab. [That study found that] le bevacizumab associé à une chimiothérapie standard a augmenté les chances de réponse des patients, mais nous voulions [develop a tool] cela pourrait déterminer quels patients n’avaient pas besoin de prendre ce bevacizumab supplémentaire. Nous avons entrepris cette étude en utilisant cet algorithme particulier pour compter les cellules parce que le [precise] Le nombre de TIL pourrait nous donner une idée des patients qui répondront.
La façon normale de trouver ces numérations cellulaires est que les pathologistes comptent manuellement à travers les oculaires du microscope. Dans cette étude, [we compared the manual method to] notre outil logiciel et trouvé… l’algorithme un peu plus précis. C’est ce que nous avions prévu, car les humains [generally] estimer le nombre total plutôt que de compter individuellement [to arrive at a precise number. By contrast]l’outil logiciel compte individuellement les cellules ce qui fournira naturellement une meilleure lecture.
Quelle est selon vous l’importance multidisciplinaire de cette recherche ?
Ce type de recherche ouvre de nombreuses portes à nos pathologistes. [This software] peut aider les enquêteurs à voir des choses qu’ils ne pourraient normalement pas voir et cela réduit le temps qu’il faut pour faire un travail solide de [determining cell counts] et déterminer les différences dans les populations de cellules immunitaires. De plus, nous pouvons utiliser ces outils dans un environnement de soins de santé pour améliorer les traitements de nos patients.
Bien sûr, il reste des obstacles [to overcome] à mesure que nous déployons ces nouveaux outils. [For example], nous devons comprendre comment mettre en œuvre ces systèmes dans un environnement réel et nous assurer qu’ils ne sont pas conçus uniquement pour des environnements à ressources élevées. Nous devons veiller à ce que ces systèmes puissent également être utilisés dans des environnements à faibles ressources pour aider à réduire les disparités dans diverses communautés et à se rapprocher de l’équité, en particulier ici aux États-Unis. Cet outil est en fait une ressource à faible coût car il est open source, gratuit d’accès et gratuit à télécharger. N’importe quelle communauté pourrait l’utiliser. [This is one of the ways we can] veiller à réduire les disparités et à accroître l’équité.
Où pourraient aller les futurs efforts de recherche et de développement à partir d’ici ?
L’utilisation de ces types d’outils suscite une certaine controverse, mais la réalité est qu’ils sont là pour rester et que les gens commencent à les utiliser. Ce que nous devons faire, c’est les réglementer [to ensure] nous ne nuisons pas aux patients avec leur création. De nombreux acteurs universitaires, gouvernementaux et industriels se sont réunis en tant que communauté pour créer des règles de base [regarding these tools] pour s’assurer que nous ne faisons pas de mal. Je suis impliqué dans un groupe appelé Pathology Innovation Collaborative Community [PIcc]qui rassemble de nombreuses parties prenantes, notamment des professeurs et du personnel de [schools like] Yale et Harvard, des sociétés pharmaceutiques, des sociétés de biotechnologie, des agences gouvernementales telles que la FDA et les National Institutes of Health, ainsi que des patients et des défenseurs des droits des patients. Le Picc est un environnement merveilleux dans lequel toutes les voix des parties prenantes sont entendues. [We ask questions like]: qu’est-ce que tout le monde veut voir dans cet outil ? Quelles sont les choses de base que nous devons voir dans tous les outils qui utilisent l’apprentissage automatique ou l’intelligence artificielle, dans tout type d’environnement de soins aux patients ? Nous discutons des agences de réglementation et de ce que le domaine en général… pense que devraient être les normes minimales [for new tools to meet]. [The Picc] est basé ici aux États-Unis et est présidé par Jochen Lennerz, MD, PhD, professeur agrégé de pathologie à la Harvard Medical School.
Cependant, il existe également des organisations internationales. Je suis membre du conseil d’orientation et de direction du groupe de travail international sur les biomarqueurs d’immuno-oncologie dans le cancer du sein [TILS Working Group], qui est présidé par Roberto Salgado, MD, PhD; Sherene Loi, MD, PhD; et Carsten Denkert, MD. Il existe de nombreux essais cliniques en cours dans le monde entier examinant les TIL en tant qu’outils prédictifs ou pronostiques, et nous développons donc une belle cohorte d’échantillons, de patients et de défenseurs des patients dans cet espace. Je travaille également avec la FDA pour assembler un ensemble de données d’échantillons de patients et de packages statistiques afin que ceux qui développent des algorithmes et des outils logiciels à utiliser dans les soins de santé, [for example] dans le cadre des TIL, aura un [ready-made] obstacle de validation pour déterminer si les outils qu’ils créent sont viables. Nous planifions pour ces ensembles de données [to be] disponible gratuitement afin que les développeurs de logiciels puissent [easily] tester leurs algorithmes. Développer ces pipelines statistiques robustes pour standardiser [how we validate these new tools] n’est pas quelque chose que nous avons jamais fait auparavant.
Ces systèmes vont bientôt être déployés. Nous rassemblons des ressources de formation et d’autres ressources pour que les gens examinent ces types d’outils logiciels.
Qu’espérez-vous que vos collègues retiennent de cette recherche ?
Il y a une place pour tout le monde, qu’il s’agisse d’universitaires, de professionnels de l’industrie, de patients ou de défenseurs des droits des patients, pour être intégré à ces développements. Il y a des contextes dans lesquels ces nouveaux outils sont mis en avant et auxquels il est important que tout le monde participe. [It’s important for a diverse group of people] de rejoindre ces organisations collaboratives afin qu’elles puissent avoir une voix et mieux comprendre [these developments].
Nous sommes à l’ère des soins de santé [which values collaboration]: tout le monde travaille ensemble pour faire avancer les choses en tant que communauté, [including] cliniciens, scientifiques, patients et défenseurs des droits des patients.
[Lastly]nous devons nous assurer que nous concevons ces outils logiciels de manière à ce que les personnes vivant dans des environnements à faibles revenus et à faibles ressources puissent également en profiter [rather than] uniquement les personnes vivant dans des environnements à revenu élevé. Nous tous dans la communauté mondiale de la santé pensons qu’il s’agit d’un moyen important de réduire [socioeconomic] disparités et accroître l’équité. Nous devons amener les soins de santé au même niveau d’équité que [we want to see in broader] société.
Référence
Blenman K, Fanucci K, Bai Y, et al. Prédiction de la réponse complète pathologique à la chimiothérapie néoadjuvante dans le cancer du sein (SWOG S0800) à l’aide de mesures de lymphocytes infiltrant la tumeur basées sur l’analyse d’images. J Clin Oncol. 2022;40(16):594. doi : 10.1200/JCO.2022.40.16_suppl.594
