Le cancer du sein est le cancer féminin le plus fréquent, et environ 70% des cas appartiennent au sous-type hormono-dépendant, HER2-négatif. Toutes ces patientes reçoivent une hormonothérapie, mais l'ajout d'une chimiothérapie n'aide qu'une partie d'entre elles. Les tests génétiques existants, comme Oncotype DX, évaluent le risque de récidive et non le bénéfice de la chimiothérapie, ce qui conduit à des traitements excessifs. Ce travail s'inscrit dans la lignée des recherches sur la prédiction des résultats du cancer à partir d'images médicales et de données génétiques. Les travaux voisins utilisent l'apprentissage profond pour prédire la récidive ou la réponse au traitement, mais presque tous restent pronostiques et non prédictifs : ils n'évaluent pas dans quelle mesure un traitement donné aidera une patiente donnée. Cet article comble cette lacune en appliquant une approche causale à des données multimodales.
Le modèle CTX combine deux sources de données : les images histologiques de la tumeur, traitées par le réseau de neurones pré-entraîné Falcon (entraîné sur deux milliards de fragments de tissus), et des caractéristiques cliniques standard telles que l'âge, le stade de la tumeur et le statut des récepteurs. Pour estimer l'effet individuel du traitement, on a utilisé un réseau de régression contrefactuel (CFRNet), qui aligne les distributions des caractéristiques entre les groupes de patientes ayant reçu ou non une chimiothérapie. Cela permet au modèle de prédire la probabilité de récidive pour chaque patiente dans deux scénarios : hormonothérapie seule, et hormonothérapie avec ajout de chimiothérapie. La différence entre ces prédictions constitue le bénéfice personnel de la chimiothérapie. Le modèle a été entraîné sur les données de 9 141 patientes issues de 12 cohortes dans 9 pays, puis testé sur 1 994 patientes issues de 5 cohortes indépendantes.
Le modèle a montré une calibration presque parfaite : la probabilité de récidive prédite correspondait à la fréquence réelle des événements. La capacité de discrimination atteignait une AUC de 0.711 pour un horizon de 5 ans et de 0.765 pour 10 ans. L'indicateur principal, l'interaction entre le bénéfice prédit de la chimiothérapie et le traitement réellement reçu, s'est révélé statistiquement significatif (p = 8.11×10⁻⁵). Chez les patientes à bénéfice prédit élevé, la chimiothérapie réduisait le risque de récidive de 58% (HR = 0.42), tandis que chez celles à faible bénéfice, aucun effet n'apparaissait (HR = 1.40). En comparaison directe avec Oncotype DX sur les mêmes patientes, CTX montrait un lien plus fort avec le bénéfice du traitement (p = 9.68×10⁻⁴ contre p = 0.0247). Le modèle a aussi mis en évidence des corrélats morphologiques et moléculaires : les tumeurs à forte sensibilité prédite à la chimiothérapie étaient enrichies en gènes du cycle cellulaire, du stress réplicatif et de la réponse immunitaire.
Ce travail se distingue des études voisines en ce qu'il évalue directement le bénéfice personnel du traitement, et pas seulement le pronostic. La plupart des modèles existants, y compris ceux qui utilisent l'apprentissage profond sur l'histologie, prédisent le risque de récidive indépendamment du traitement, ce qui ne permet pas de décider qui a besoin d'une chimiothérapie. Ici, le modèle causal sépare le pronostic de la sensibilité au traitement, ce qui change radicalement l'usage clinique. De plus, le modèle fonctionne sur des données de routine (histologie et clinique), sans tests génétiques coûteux, ce qui élargit l'accès à l'oncologie personnalisée.
L'approche peut être étendue à d'autres cancers et à d'autres traitements. Les auteurs ont montré qu'un modèle entraîné uniquement sur le cancer du sein se transpose, sans réentraînement, à 16 autres types de cancer, en particulier ceux où l'on utilise des cytotoxiques similaires. À terme, on pourrait ajouter des données moléculaires spatiales ou de l'ADN tumoral circulant pour améliorer les prédictions. Il est aussi envisageable d'entraîner le modèle à évaluer l'effet des thérapies ciblées et de l'immunothérapie.
Les résultats influenceront l'oncologie clinique en permettant de réduire les prescriptions excessives de chimiothérapie et de la réserver à celles qui en tireront réellement profit. Ils accéléreront aussi le développement de nouveaux biomarqueurs et modifieront la conception des essais cliniques, où la sélection des patientes deviendra plus précise.
Une validation prospective du modèle dans des essais cliniques randomisés est nécessaire pour confirmer sa précision prédictive en conditions contrôlées. Il faudrait aussi étudier la possibilité de prédire l'effet de schémas de chimiothérapie précis et de combinaisons avec des thérapies ciblées.
En oncologie, l'identification des patientes qui bénéficieront réellement d'une chimiothérapie adjuvante reste un problème non résolu. Les biomarqueurs pronostiques existants mélangent le risque de récidive et la sensibilité au traitement, ce qui conduit à un surtraitement. Ce travail résout directement cette difficulté en séparant, au niveau individuel, le pronostic et l'effet du traitement.
Le modèle Falcon, utilisé pour analyser les lames d'histologie, a été entraîné sur deux milliards de fragments de tissus, soit environ 40 000 lames complètes, ce qui équivaut aux archives accumulées sur des décennies par un grand centre d'oncologie.
L'idée de prédire la réaction individuelle à un traitement fait écho au film « Bienvenue à Gattaca », où l'analyse génétique détermine le destin d'une personne. Ici, cependant, il n'est pas question de fatalisme, mais de la possibilité de choisir la thérapie optimale à partir des données.