• Langue : Français
• Discipline : Médecine. Anatomie et cytologie pathologiques
• Identifiant : 2022ULILM038
• Type de thèse : Doctorat de médecine
• Date de soutenance : 01/04/2022

Résumé en langue originale

Contexte : L’adénocarcinome gastrique est un cancer fréquent au pronostic sombre. La survie des patients à 5 ans tous stades confondus est inférieure à 20%. Quatre sous-types moléculaires ont été identifiés par le projet cancer génome atlas TCGA : avec instabilité chromosomique (CIN), à génomique stable (GS), avec instabilité des microsatellites (MSI) et associé au virus Epstein Barr (EBV). Actuellement pour déterminer ces signatures moléculaires, nous utilisons en routine des techniques coûteuses en termes de temps et de matériel tumoral, ce qui représente une limite majeure à l’ère de la médecine de précision et de la multiplication des biomarqueurs. L’intelligence artificielle (IA) paraît dans ce contexte comme une alternative potentielle. En effet, le deep learning a déjà montré des performances diagnostiques et/ou prédictives dans de nombreux cancers. Les objectifs de notre étude étaient d’évaluer l’apport de l’IA dans la prédiction des sous-types moléculaires et de la survie globale des patients atteints d’un adénocarcinome gastrique. Méthodes : Cette étude est monocentrique. Elle a inclus 476 patients atteint d’un cancer gastrique localisé ayant subi une gastrectomie, avec ou sans chimiothérapie péri-opératoire. Au total, 492 lames colorées par HES ont été numérisées et annotées, constituant notre base d'entraînement et de validation interne. Différents modèles de deep learning ont été développés à partir de réseaux de neurones convolutifs. Ces modèles ont été testés sur notre cohorte privée puis sur une cohorte publique, celle du TCGA, utilisée comme base de validation externe. En parallèle, nous avons déterminé avec nos techniques de routine, la signature moléculaire de l’ensemble des cancers gastriques. Différents critères d’évaluation de nos modèles ont été utilisés tels que l’AUC, le c-index ou encore les modèles de régression de Cox. Ils ont ensuite été comparés à une méthode sans deep learning pour la prédiction des sous-types moléculaires et à des variables cliniques telle que l’AJCC pour la prédiction de la survie. Résultats : Pour la prédiction des sous-types moléculaires, le modèle le plus performant a été celui combinant les approches préalablement publiées de « Kather » et de « Courtiol ». Ce modèle était encore plus efficace lorsque réalisé sur lames annotées par les pathologistes. Il a obtenu des AUC>0,8 pour tous les sous-types moléculaires hormis le sous-type CIN. Concernant la prédiction de la survie, notre modèle « score » a atteint un c-index de 63,4% pour la base de validation interne et de 60,2% pour la base de validation externe. Les résultats ont montré deux groupes de survie significativement distincts et nos modèles de régression de Cox ont confirmé que notre modèle « score » était bien significativement prédictif de la survie. Conclusion : Nous avons réussi à développer plusieurs modèles significativement prédictifs du sous-type moléculaire des adénocarcinomes gastriques. Nous montrons que les annotations améliorent les performances de ces modèles. Nous sommes également parvenus à construire un modèle pronostique significativement prédictif de la survie globale. A l’avenir, il sera intéressant de tester nos modèles sur d’autres cohortes et d’agrandir notre propre base de données. Des tests seront également réalisés sur des biopsies gastriques, cette fois-ci sans annotation au préalable afin d’évaluer le potentiel en routine diagnostique de ces modèles.