Méthodes d'intelligence artificielle pour prédire l'impact des thérapies contre le cancer du sein à partir de données rétrospectives

La médecine personnalisée en oncologie vise à adapter les stratégies de traitement en fonction du profil spécifique de chaque patient, offrant des thérapies plus précises et efficaces. Dans un premier temps, nous nous intéressons au profil clinique des patients. Nous avons développé DynaSurv, un modèle de réseau de neurones récurrents avec des couches d'attention, conçu pour prédire la survie globale des patientes atteintes d'un cancer du sein métastatique (CSM) pour chaque ligne de traitement et pour chaque sous-type de cancer du sein. Pour construire notre modèle, nous avons utilisé la cohorte Épidémio-Stratégie Médico-Economique CSM, une grande base de données nationale de patients atteints de CSM diagnostiqués entre 2008 et 2021. Les entrées du modèle sont les données cliniques et épidémiologiques des patients, les caractéristiques de la tumeur primaire et de la maladie métastatique, et les antécédents de traitement successifs détaillés. Nous avons utilisé des modèles du type "long short-term memory" pour capturer la dynamique temporelle et les dépendances à long terme dans la trajectoire de la maladie du patient. Le mécanisme d'attention permet d'interpréter des résultats. Dans un second temps, nous nous intéressons au profil génétique des patients. Plus précisément, nous nous concentrons sur un type de données de plus en plus utilisé en médecine de précision, les données de séquençage d'ARN unicellulaire. Notre première contribution concerne la détection de doublets, c'est-à-dire d'artefacts apparaissant dans ce type données. Leur détection est cruciale pour améliorer la précision des profils d'expression génique des patients, assurer la fiabilité des données pour la recherche en oncologie en minimisant les facteurs de confusion potentiels et améliorer la précision de l'identification des signatures moléculaires spécifiques au cancer.