L’algorithme développé par l’équipe de Polytechnique Montréal, en collaboration avec le CHUM, analyse entre autres des images obtenues par tomodensitométrie (CT scan en anglais) et par tomographie par émission de positrons (PET scan en anglais) pour établir un pronostic pour le patient. (Photo : P^r Samuel Kadoury)

Un groupe de Polytechnique Montréal cherche à simplifier le travail des équipes en oncologie qui traitent des patients atteints d’un cancer du cou ou de la tête. Leurs outils? Quelques données médicales et un algorithme d’intelligence artificielle (IA). Ils ont récemment démontré l’utilité de leur approche dans un article paru la semaine dernière dans Scientific Report.

Chaque cancer vient avec une signature qui lui est propre et pour laquelle il faut adapter le traitement. Profil génétique des cellules cancéreuses, forme et taille de la tumeur, état de santé général du patient, âge, sexe, etc. : chaque critère a son poids dans la balance quant au choix du traitement adopté.

C’est que les possibilités sont nombreuses. L’oncologue fait son choix parmi différentes formes de traitement, dont la chimiothérapie, la radiothérapie et la chirurgie. Des approches qu’il utilise seul ou en combinaison. Quelle stratégie adopter pour éliminer un maximum de cellules cancéreuses, retarder la récidive du cancer et limiter les impacts négatifs des procédures sur la qualité de vie du patient? Voilà le genre de critères qu’il sous-pèse afin de prendre la meilleure décision.

Le problème, c’est que des zones d’ombre persistent. Impossible d’offrir avec certitude le meilleur traitement envisageable. Samuel Kadoury, professeur titulaire au Département de génie informatique et génie logiciel de Polytechnique Montréal, souhaite changer la donne. Il mise sur l’IA pour y arriver.

Un outil d'aide à la décision

P^r Samuel Kadoury (Photo : Mike Redmond)

Le secret de l’équipe du Pr Kadoury tient dans un algorithme, un réseau de neurones dit « d’autoattention » baptisé PreSANet pour pseudo-volumetric neural network with deep preprocessor module and self-attention layers.

Le groupe a entraîné son outil mathématique sur un jeu de données provenant de 298 patients qui ont été victimes d’un cancer du cou ou de la tête dans le passé. Il l’a ensuite testé sur un ensemble de données rétrospectives de 371 patients. Résultat : le PreSANet a « prédit » des pronostics se rapprochant de ceux qu’ont réellement vécus ces patients.

En plus de considérer des variables comme l’âge, le sexe et le stade de la tumeur, l’algorithme analyse des images captées par tomodensitométrie (CT scan en anglais) et par tomographie par émission de positrons (PET scan en anglais). Il estime ensuite la probabilité de présence de métastases autour de la tumeur, établit un pronostic de récidive du cancer et estime l’indice de survie du patient.

« Avec ces informations, l’oncologue peut choisir un traitement de manière plus éclairée », explique Pr Kadoury qui est également titulaire de la Chaire de recherche du Canada en interventions assistées et imagerie médicale. « C’est important parce que certains traitements peuvent être pénibles et décourageants pour le patient, surtout s’ils sont inefficaces. »

Le PreSANet a comme qualités d’être à la fois robuste et généralisable. Il a évité le piège des biais en s’entraînant sur les données de quatre centres hospitaliers. « C’est l’un des problèmes qu’on rencontre souvent en IA », explique Pr Kadoury. « Quand on entraîne un algorithme avec les données provenant d’un seul centre clinique, rien ne garantit que l’outil fonctionnera avec les données d’autres centres hospitaliers. Notre outil est suffisamment précis pour déterminer quelles informations il doit inclure dans son analyse, tout en excluant les variables liées aux paramètres d’acquisition du centre hospitalier. »