Prix Poster - Les Jeudi 8 et Vendredi 9 Octobre 2020

Résumé N°: CO_35

Caractérisation immunitaire du carcinome hépatocellulaire par intelligence artificielle sur lames virtuelles

Q. Zeng*, C. Klein, P. Maille, S. Caruso, N. Loménie, J. Calderaro* (Paris, Créteil)

Introduction: Les patients atteints de carcinome hépatocellulaire (CHC) présentant une surexpression de signatures géniques immunitaires particulières sont susceptibles d’être plus sensibles à l’’immunothérapie. L’objectif de notre étude était de développer des modèles capables d’identifier ces tumeurs par des technologies de deep-learning/intelligence artificielle sur lames numériques (LN).

Patients et méthodes ou matériels et méthodes: Le modèle de deep learning CLAM (Clustering-constrained Attention Multiple Instance Learning)1 a été entraîné sur des LN dans le but d’identifier les CHC présentant une activation de 6 signatures immunitaires capables de prédire la sensibilité à l’immunothérapie: “”6-Gene Interferon Gamma””, “”Gajewski 13-Gene Inflammatory””, “”Inflammatory””, “”Interferon Gamma Biology””, “”Ribas 10-Gene Interferon Gamma”” et “”T-cell Exhaustion””2. Pour chaque signature, 10 modèles ont été entraînés sur 349 LN de CHC (TCGA database). Le niveau d’expression des signatures a été estimé à partir de données de RNA sequencing. Le modèle le plus performant de chaque signature a été validé sur un ensemble de données externes comprenant 139 CHC (Hôpital Henri Mondor, Créteil, France) (lames colorées avec différents protocoles et numérisés dans un format différent que pour la série de découverte). Pour cette série de validation le niveau d’expression a été étudié par technique Nanostring (IO360).

Résultats: Dans la série de découverte, les aires sous la courbe (AUC) des meilleurs modèles pour la prédiction des tumeurs présentant une surexpression étaient comprises entre 0.780 et 0.858. Leur performance se maintenait dans la série de validation avec des AUC allant de 0.810 à 0.921. L’analyse des zones tissulaires ayant une valeur prédictive élevée a montré un enrichissement en cellules inflammatoires, plasmocytes et neutrophiles.

Conclusion: En appliquant des technologies d’intelligence artificielle/deep learning sur des LN de CHC, nous avons développé et validé des modèles capables de prédire l’activation de plusieurs signatures géniques immunitaires associées à la réponse à l’immunothérapie. Notre approche fournit également des indications sur les principales caractéristiques morphologiques qui ont un impact sur les prédictions des modèles. Notre étude montre que ce type d’analyse pourrait représenter un nouveau type de biomarqueur facilement implémentable en pratique clinique.

Déclaration de conflit d’intérêt:
J.C: Conseil pour crosscope, keen eye

Remerciements: Cette étude a été financée par la Fondation bristol Myers Squibb et la Fondation de l’Avenir. Q.Z est financé par le China Scholarship Council (CSC) du ministère de l’Éducation de la République populaire de Chine.

Références: 1 Lu, Ming Y., et al. “Data-efficient and weakly supervised computational pathology on whole-slide images.” Nature Biomedical Engineering (2021): 1-16.
2 Sangro, Bruno, et al. “Association of inflammatory biomarkers with clinical outcomes in nivolumab-treated patients with advanced hepatocellular carcinoma.” Journal of hepatology 73.6 (2020): 1460-1469.

Fermer le menu