De nouveaux modèles d'IA permettraient d'identifier à l'avance les patients à haut risque de développer certains des tumeurs les plus courantes, à partir de données de santé déjà collectées de manière habituelle, telles que des analyses de sang, des antécédents médicaux et des habitudes de vie. C'est ce qu'indique une étude présentée lors du congrès de la Société européenne d'oncologie médicale (ESMO), qui s'est tenu à Madrid.
Le travail, élaboré à partir des données de centaines de milliers de participants du Biobanque du Royaume-Uni, suggère que ces outils pourraient être intégrés dans la pratique clinique pour anticiper le risque individuel de cancer avec une précision supérieure à celle des méthodes statistiques conventionnelles.
Fonctionnement des modèles d'IA pour prédire le risque de cancer
Les chercheurs ont développé environ 500 modèles d'apprentissage automatique dans le but de prédire le risque de développer 20 types de cancer fréquents. Pour les construire, ils ont utilisé les informations de 463 620 participants du Biobanque du Royaume-Uni, suivis pendant environ 18 ans.
Pendant cette période, 57 055 personnes du groupe étudié ont développé un type de cancer. Cette base de données a permis d'entraîner les algorithmes avec des variables telles que les antécédents médicaux, les facteurs liés au mode de vie, les résultats d'analyses de sang et les données génétiques et métaboliques.
Afin de vérifier si les modèles fonctionnaient également en dehors de la population d'origine, l'équipe les a validés avec les informations de participants d'Écosse et du Pays de Galles. Des données de 42 036 personnes du programme américain All of Us et de plus de trois millions de personnes incluses dans une base de données japonaise ont également été utilisées.
Pour éviter que l'analyse ne soit faussée par des maladies qui n'avaient pas encore été diagnostiquées au début de l'étude, les cas de cancer détectés au cours de la première année de suivi ont été exclus. Les modèles d'intelligence artificielle ont surpassé les outils statistiques traditionnels, bien que leur précision ait varié selon le type de tumeur analysé.
Quels types de cancer sont prédits avec la plus grande précision
Dans un résultat combiné incluant les cancers dont le risque pouvait être estimé à partir de données cliniques de routine, les modèles ont atteint une aire sous la courbe ROC (AUROC) de 0,83 à 15 ans. Cette métrique mesure la capacité d'un modèle à distinguer entre les personnes qui développeront ou non la maladie : une valeur de 0,5 équivaut au hasard, tandis que 1,0 représente une discrimination parfaite.
Un modèle d'intelligence artificielle qui prédit le risque de cancer est un système entraîné avec des données cliniques, de laboratoire et de mode de vie qui calcule la probabilité qu'une personne développe la maladie dans une période donnée, avant l'apparition de symptômes.
Les résultats ont été particulièrement prometteurs pour les cancers du poumon, de l'œsophage et du foie. En revanche, la capacité prédictive s'est avérée plus limitée pour les tumeurs de l'ovaire, du sein et du col de l'utérus.
Dans le cas de la leucémie myéloïde aiguë et du myélome multiple, les performances des modèles ont diminué à mesure que l'horizon de prédiction s'élargissait. Selon les chercheurs, ce comportement pourrait indiquer que certaines prédictions à court terme détectent des signaux précoces de tumeurs déjà présentes, bien qu'elles n'aient pas encore été diagnostiquées.
Le poids des analyses sanguines par rapport aux données génétiques
Une grande partie de la capacité prédictive des modèles reposait sur les résultats d'analyses sanguines de routine et sur les antécédents cliniques des patients. Ces données, à faible coût et collectées habituellement dans les systèmes de santé, se sont avérées déterminantes pour les performances des algorithmes.
Les analyses sanguines ont continué à fournir des informations utiles même pour les cancers diagnostiqués plus de cinq ans après le début du suivi. En contraste, l'intégration de données génétiques et métabolomiques n'a produit qu'une légère amélioration des performances globales des modèles.
Ce constat renforce l'idée que les informations cliniques de routine, sans avoir recours à des tests génétiques coûteux, pourraient suffire à construire des systèmes de détection précoce applicables à grande échelle dans les systèmes de santé publique.
Un outil permettant aux agents d'intelligence artificielle d'exécuter les prédictions
L'équipe de recherche a également développé un outil nommé PRE-Screen, conçu pour permettre aux agents d'intelligence artificielle basés sur de grands modèles de langage d'exécuter les modèles de prédiction du risque de manière systématique et cohérente.
Les agents ayant utilisé cet outil ont obtenu des résultats nettement supérieurs à ceux qui ont effectué les prédictions sans cet appui, selon les données présentées lors du congrès.
L'auteur principal de l'étude, le chercheur Paul-Henry Koop, du Centre Else Kröner Fresenius de Santé Numérique de l'Université Technique de Dresde, en Allemagne, a expliqué que « pour certains types de cancer, ces modèles pourraient être utilisés comme des outils de pré-cribage à faible coût, basés sur des données déjà collectées de manière habituelle dans la pratique clinique ».