Chez les patients atteints d’un cancer du foie à un stade avancé, les traitements administrés par voie systémique, c’est-à-dire diffusés dans l’ensemble de l’organisme par la circulation sanguine, constituent aujourd’hui une option thérapeutique courante. Toutefois, leur efficacité varie fortement d’un patient à l’autre et il n’existe pas, à ce jour, de méthode fiable permettant d’anticiper la réponse à ces traitements avant leur initiation.
Ce projet propose de valider, dans des conditions proches de la pratique clinique, un modèle d’intelligence artificielle capable d’analyser des lames histologiques numériques, obtenues à partir de biopsies tumorales réalisées avant le traitement. Ces lames correspondent à des coupes fines de tissu tumoral, déjà utilisées en routine diagnostique, mais ici exploitées à l’aide d’algorithmes capables d’identifier des motifs complexes associés à la réponse thérapeutique. L’étude prospective permettra d’évaluer la capacité du modèle à prédire quels patients sont susceptibles de tirer un bénéfice du traitement, et de comparer ses performances à celles des méthodes classiques de biologie moléculaire.
À terme, cette approche pourrait contribuer à mieux orienter les choix thérapeutiques, en évitant l’exposition inutile à des traitements peu efficaces et en proposant plus rapidement des alternatives adaptées, sans se substituer aux décisions médicales actuelles.
Le carcinome hépatocellulaire est la forme la plus fréquente de cancer primitif du foie et figure parmi les principales causes de mortalité par cancer dans le monde. Son incidence progresse, notamment en lien avec l’augmentation de l’obésité et des maladies chroniques du foie. Pour les formes avancées de la maladie, le traitement de référence repose aujourd’hui sur l’association de deux médicaments administrés par voie systémique, c’est-à-dire diffusés dans l’ensemble de l’organisme par la circulation sanguine : l’atezolizumab, une immunothérapie qui stimule la réponse immunitaire dirigée contre la tumeur, et le bévacizumab, un traitement qui agit sur la vascularisation tumorale.
Si cette association améliore la survie de certains patients, son efficacité reste très variable. À l’heure actuelle, il n’existe pas de méthode fiable permettant d’anticiper quels patients tireront un bénéfice de ce traitement et lesquels y seront peu sensibles alors qu’ils seront exposés à ses effets indésirables.
Le projet coordonné par Julien Calderaro s’appuie sur l’analyse des lames histologiques, c’est-à-dire des coupes fines de tissu tumoral obtenues à partir d’une biopsie et observées au microscope. Depuis quelques années, ces lames peuvent être numérisées sous forme d’images haute résolution, ce qui permet leur analyse par des outils informatiques avancés.
L’intelligence artificielle, et plus précisément l’apprentissage automatique, permet d’entraîner des algorithmes à reconnaître des motifs complexes dans ces images, parfois imperceptibles à l’œil humain. Lors d’un travail antérieur, soutenu par la Fondation de l’Avenir et publié dans The Lancet Oncology, l’équipe a montré qu’un modèle d’intelligence artificielle pouvait prédire, à partir de lames histologiques digitales, une signature moléculaire appelée ABRS, associée à la survie sans progression chez des patients traités par atezolizumab et bévacizumab.
Après ces premiers résultats, le projet actuel doit valider ce modèle dans des conditions proches de la pratique clinique. Il s’agit d’une étude prospective, menée dans quatre centres français, incluant des patients atteints de carcinome hépatocellulaire avancé traités par l’association atezolizumab-bévacizumab. Les lames histologiques réalisées avant le début du traitement seront analysées par le modèle d’intelligence artificielle afin d’évaluer sa capacité à prédire la réponse thérapeutique.
Les performances du modèle seront comparées à celles des techniques conventionnelles de biologie moléculaire, utilisées pour détecter directement la signature ABRS dans les tissus tumoraux. Cette comparaison permettra de déterminer si l’approche basée sur l’imagerie numérique offre une précision comparable, avec des délais et des coûts potentiellement réduits.
Au-delà de la performance prédictive, le projet cherche également à mieux comprendre les mécanismes biologiques sous-jacents aux prédictions de l’intelligence artificielle. Pour cela, les chercheurs utiliseront la transcriptomique spatiale, une technologie qui permet de mesurer l’expression des gènes directement dans leur contexte tissulaire. Cette approche fournit une cartographie fine des différents types cellulaires présents dans la tumeur (cellules cancéreuses, immunitaires, fibroblastes ou cellules endothéliales) et de leurs interactions.
En croisant les cartes de prédiction du modèle avec ces données de transcriptomique spatiale, l’équipe analysera quels éléments moléculaires et cellulaires influencent les décisions de l’algorithme. Cette étape contribue à rendre l’intelligence artificielle plus interprétable et à renforcer la confiance dans son utilisation.
Le projet s’inscrit dans une démarche de recherche translationnelle, reliant directement l’analyse du tissu tumoral aux décisions thérapeutiques. Il repose sur une collaboration étroite entre pathologistes, cliniciens, biologistes et spécialistes des données, et bénéficie de l’accès à des échantillons tumoraux bien caractérisés. Les critères d’inclusion sont strictement définis afin d’assurer une évaluation rigoureuse des performances du modèle dans un cadre homogène.
Ce travail contribue à explorer une nouvelle manière d’exploiter les lames histologiques, déjà utilisées en routine, pour extraire des informations prédictives sur la réponse aux traitements. Il pourrait permettre d’identifier plus rapidement les patients susceptibles de bénéficier d’une immunothérapie donnée et d’orienter les autres vers des stratégies alternatives, sans retarder la prise en charge.
Ce projet participe au développement d’outils d’aide à la décision reposant sur l’intelligence artificielle, avec l’objectif d’affiner la personnalisation des traitements du cancer du foie et de limiter l’exposition inutile à des thérapies peu efficaces.
Julien CALDERARO, Créteil
