Leurs travaux ont permis de faire avancer
rapidement les connaissances sur le glioblastome, une forme rare et très
agressive de cancer du cerveau.
Les professeurs-chercheurs de l'Institut de recherche sur le cancer de l’Université de Sherbrooke (IRCUS) impliqués dans
cette avancée majeure sont David Fortin, de la Faculté de médecine et des
sciences de la santé et clinicien, Martin Vallières, de la Faculté des
sciences, et Martin Lepage, de la Faculté de médecine et des sciences de la
santé.
Intelligence
artificielle et l'imagerie médicale
Grâce à une innovation alliant l'intelligence
artificielle et l'imagerie médicale, des milliers de données de glioblastomes
ont pu être analysées sans être partagées entre les 71 centres participants au
projet. Cette importante étude à laquelle les professeurs Martin Vallières,
David Fortin et Martin Lepage ont participé a permis de réaliser une percée
inégalée dans le domaine : analyser, en contexte d'apprentissage fédéré,
plus de 25 000 scans d'imagerie par résonance magnétique, menant ainsi à
une augmentation de 33 % du taux de détection de la frontière de la
tumeur.
Lors de cette étude, les équipes ont réussi à
entrainer un réseau de neurones profond contenant des millions de paramètres,
sur des milliers d'images médicales de glioblastomes. Les équipes y sont arrivées grâce à une approche
décentralisée qui ne nécessite pas d'échange de données entre les centres à
travers le monde. En fait, c'est seulement le réseau de neurones qui a été
partagé et entrainé dans chacun des 71 centres. Ainsi, en conservant les
données localement dans chaque centre, la confidentialité des données des
patientes et patients a ainsi pu être assurée.
Des impacts
sur le milieu médical
Définir le contour de la tumeur représente la
première étape du plan de traitement élaboré par les médecins. En fait,
l'algorithme entraîné dans cette étude permet de tracer le contour de trois
sous-régions très précises de la tumeur. Cette étape est primordiale, car le
traitement possible repose sur la précision avec laquelle la tumeur est
détectée et caractérisée.
Augmenter le niveau de précision du contour de la
tumeur permet ainsi d'accélérer toute la chaîne du traitement. En effet, cela
aide les médecins à faire leur plan de traitement, notamment au niveau de la
chirurgie. « Définir de manière précise les sous-régions composant les
glioblastomes permettra également aux chirurgiennes et chirurgiens de mieux
comprendre la progression des tumeurs en post-traitement et ainsi mieux saisir
et prévoir les caractéristiques de chacune des tumeurs », souligne David
Fortin. Ainsi, l'algorithme en question développé dans cette étude à un réel
potentiel de faciliter la caractérisation individuelle des tumeurs. Grâce à une telle augmentation de l'efficacité de
la segmentation automatique des glioblastomes, nous développons la médecine de
précision de demain. L'apprentissage fédéré va nous permettre d'accélérer le
développement d'outils cliniques d'imagerie basés sur l'intelligence
artificielle.
L'expertise
de l'Université de Sherbrooke
L'expertise de Martin Lepage en imagerie par
résonance magnétique (IRM), développée au cours des 20 dernières années, a été
le point de départ déterminant. L'IRM permet de générer des images pour différentes
zones du corps humain. Cependant, ces images sont accompagnées d'une multitude
de données telles que la maladie de la patiente ou du patient, le nom de son
médecin de famille, sa date de naissance, etc. Afin d'obtenir des données
anonymes, le Centre d'imagerie moléculaire de Sherbrooke (CIMS) a développé un
serveur et une procédure, approuvée par le comité d'éthique, pour extraire les
images de la base de données d'imagerie de l'Hôpital Fleurimont du CIUSSS de
l'Estrie-CHUS et les dépersonnaliser.
Ensuite, l'expertise essentielle de Dr
David Fortin en neurochirurgie neuro-oncologie a permis d'établir les
« vérités terrains » des contours des trois sous-régions des
glioblastomes sur la base de données de Sherbrooke. Finalement, l'expertise en
intelligence artificielle et santé de Martin Vallières a concrétisé l'inclusion
de la base de données de Sherbrooke à l'apprentissage fédéré.
De l'espoir
pour les personnes touchées
En plus des impacts positifs pour les équipes de
recherche et les médecins traitants, cette démonstration du potentiel de
l'apprentissage fédéré en oncologie aura des retombées positives pour les
personnes atteintes de cancer. Comme le mentionne le professeur
Vallières : « Utiliser une approche fédérée pour analyser les données
sans devoir les sortir des centres, c'est l'avenir pour accélérer les
découvertes en oncologie. Par contre, pour ce faire, nous avons besoin en
recherche d'infrastructures performantes d'analyse de données à l'intérieur
même des murs des centres hospitaliers. Ces infrastructures locales doivent
aussi pouvoir communiquer efficacement avec d'autres infrastructures similaires
à l'extérieur. »
Prédire la
réponse au traitement
Le projet en question s'est concentré sur la
première étape de la chaîne de traitement des glioblastomes, celle de la
définition des contours de la tumeur, mais il pourrait se poursuivre pour les
autres étapes, dont celle de prédire la réponse au traitement. Il ouvre
également la porte à la réalisation de nombreuses autres études alliant
intelligence artificielle et apprentissage fédéré pour une médecine de
précision améliorée, en particulier pour les maladies rares.
Source : Université de
Sherbrooke
