Tumeurs, l’IA recherche dans les tests sanguins des indices pour prédire le risque de 20 types de cancer

Et si les analyses de sang que nous effectuons habituellement pouvaient nous renseigner non seulement sur notre état de santé actuel, mais aussi sur le risque de développer un cancer dans les années à venir ? Il ne s’agit pas d’identifier un cancer déjà présent dans le corps, mais de reconnaître, grâce à l’intelligence artificielle, une combinaison de signaux qui pourraient indiquer une plus grande probabilité de tomber malade dans le futur. C’est la perspective ouverte par une vaste étude internationale présentée au congrès de la Société européenne d’oncologie médicale (Esmo) à Madrid, qui a utilisé des données cliniques collectées au fil des années pour développer des modèles capables d’estimer le risque de différents types de cancer.

L’idée est d’exploiter des informations souvent déjà disponibles dans les dossiers médicaux, comme les résultats d’analyses sanguines, les maladies antérieures et les modes de vie, pour identifier les personnes qui pourraient bénéficier de contrôles plus ciblés. Une possibilité intéressante, notamment pour les tumeurs pour lesquelles il n’existe pas aujourd’hui de programmes de dépistage destinés à la population générale.

L’intelligence artificielle recherche des signaux de risque

Les chercheurs ont développé des centaines de modèles apprentissage automatiqueune forme d’intelligence artificielle capable de reconnaître des relations complexes au sein de grandes quantités de données. L’objectif était d’estimer le risque de développer 20 des cancers les plus courants. La recherche a utilisé des informations collectées par la UK Biobank, un grand projet britannique qui suit la santé de centaines de milliers de personnes au fil du temps. Les participants ont été observés jusqu’à l’âge de 18 ans environ, période durant laquelle des dizaines de milliers d’entre eux ont développé un diagnostic oncologique.

Données analysées par l’IA

Les algorithmes ont analysé différentes catégories d’informations : âge et caractéristiques démographiques, habitudes de vie, antécédents de maladie, paramètres sanguins et, dans certains modèles, données génétiques et métabolomiques. Par la suite, les chercheurs ont également évalué les performances des systèmes à l’aide de données provenant d’autres populations, notamment celles des États-Unis et du Japon. Le résultat est que les modèles ont montré une plus grande capacité à distinguer les personnes destinées à développer certaines tumeurs de celles qui ne les développeraient pas que les approches statistiques traditionnelles utilisées à des fins de comparaison.

De meilleurs résultats pour les poumons, l’œsophage et le foie

La capacité prédictive n’était pas la même pour toutes les tumeurs. Les performances les plus prometteuses sont apparues pour celles du poumon, de l’œsophage et du foie, tandis que les résultats ont été plus limités pour les tumeurs de l’ovaire, du sein et du col de l’utérus. Pour un résultat combiné incluant les cancers prédits par les données cliniques de routine, le modèle a atteint une valeur Auroc de 0,83 à 15 ans. Il s’agit d’un indicateur statistique qui mesure la capacité à distinguer les personnes à plus grand risque de celles à faible risque : plus la valeur est proche de 1, meilleure est la discrimination.

Le rôle des facteurs de risque

Cela ne signifie toutefois pas que l’intelligence artificielle soit capable de prédire correctement 83 % des futurs cancers, ni qu’elle soit capable d’indiquer avec certitude qui tombera malade. Les différences entre les différents cancers dépendent également du fait que certains facteurs de risque laissent des traces plus reconnaissables dans les informations de santé recueillies régulièrement. « Les différents types de cancer diffèrent considérablement dans les mécanismes qui les provoquent et dans la mesure dans laquelle les facteurs de risque et les conditions qui les précèdent sont détectés par les données cliniques de routine », explique-t-il. Paul Henry Koopdu Centre Else Kröner Fresenius pour la santé numérique de l’Université technique de Dresde, en Allemagne, premier auteur de l’étude.

La surprise : une grande partie des données dont nous disposons déjà sont suffisantes

L’un des aspects les plus intéressants de la recherche concerne le type d’informations nécessaires pour faire ces prédictions. Une grande partie de la capacité prédictive provenait de tests sanguins courants et des antécédents médicaux des personnes. L’ajout d’informations génétiques et métabolomiques a encore amélioré les résultats, mais dans une mesure relativement faible. En particulier, les analyses de sang ont continué à fournir des informations utiles même pour les cancers diagnostiqués plus de cinq ans après la collecte des données. « Pour certains cancers, ces modèles pourraient représenter une étape préliminaire de dépistage à faible coût, en utilisant des données déjà disponibles dans les soins de santé courants », note Koop. « Les programmes de dépistage actuels ciblent uniquement certains cancers et utilisent souvent des critères d’accès généraux, plutôt que d’évaluer le risque individuel de chaque personne. » L’objectif est de rendre la prévention plus personnalisée. Aujourd’hui, de nombreux programmes de dépistage reposent principalement sur des tranches d’âge ou des caractéristiques spécifiques. À l’avenir, des outils de ce type pourraient aider à identifier les personnes qui, même si elles ne font pas partie des groupes traditionnellement considérés à haut risque, présentent une combinaison de facteurs méritant une plus grande attention.

Pas seulement des algorithmes : le rôle des systèmes de type ChatGPT

L’étude a également exploré une application possible des systèmes d’intelligence artificielle générative. Les chercheurs ont développé Pre-Screen, un outil qui permet aux agents basés sur de grands modèles de langage, la même famille technologique derrière ChatGPT, d’utiliser des algorithmes de prédiction des risques de manière standardisée. Lorsque ces agents utilisaient l’outil spécifique, les performances étaient significativement meilleures que celles obtenues en demandant aux modèles linguistiques de formuler des prédictions de manière autonome. C’est une distinction importante : cela ne signifie pas que ChatGPT peut établir le risque de cancer d’une personne simplement en lisant ses tests. La recherche suggère plutôt que les modèles linguistiques pourraient devenir une interface pour des outils cliniques spécialisés et validés, sans les remplacer.

Le risque de fausses alarmes

Malgré des résultats prometteurs, nous sommes encore loin d’utiliser ces systèmes comme outils de dépistage en pratique clinique. L’étude a analysé rétrospectivement les données de santé déjà collectées. Il n’a donc pas démontré que l’utilisation d’algorithmes dans la population permettait de diagnostiquer plus tôt le cancer ou de réduire le nombre de décès. Il y a ensuite le problème des personnes classées à haut risque qui, en réalité, ne développeront jamais la maladie. Un signalement de ce type pourrait entraîner de l’anxiété, des tests inutiles et une pression accrue sur les services de santé. Koop lui-même appelle à la prudence : de nombreuses personnes identifiées comme étant à haut risque ne tomberont pas malades. Pour cette raison, selon le chercheur, tout signalement doit dans un premier temps conduire à des investigations peu invasives, en évitant de transformer une prédiction statistique en une suspicion diagnostique injustifiée.

Vérifier la fiabilité des données

Cela souligne également la nécessité de contrôles supplémentaires Marco Lorenzidirecteur de recherche à l’Inria Sophia Antipolis de l’Université Côte d’Azur, France, qui n’a pas participé à l’étude. « Ce qu’il faut, c’est une évaluation complète du protocole proposé dans différents types de populations et de contextes, en dehors de la cohorte UK Biobank », explique Lorenzi. L’expert attire l’attention sur la nécessité de vérifier la fiabilité des résultats, leur applicabilité à différentes populations et la présence d’éventuelles distorsions dans les données.

Vers une prévention plus personnalisée ?

La recherche ouvre donc une perspective intéressante : utiliser les informations déjà présentes dans les systèmes de santé pour reconnaître à l’avance les personnes qui pourraient bénéficier de parcours de prévention et de surveillance plus ciblés. « Le protocole d’analyse automatisé proposé dans ce travail pourrait représenter un outil utile pour établir des priorités parmi les patients, favoriser un diagnostic précoce et évaluer les risques », observe Lorenzi. « L’avantage serait d’alléger le fardeau des soins pour la société et le système de santé. » Avant que cette possibilité ne devienne réalité, des études prospectives seront toutefois nécessaires, dans lesquelles les algorithmes seront utilisés et évalués dans le monde réel, vérifiant non seulement la précision des prédictions, mais également si elles conduisent à des diagnostics plus rapides, à des traitements plus efficaces et à de meilleurs résultats pour les patients. Pour l’instant, le message n’est pas qu’un test sanguin puisse prédire de manière fiable le cancer plusieurs années à l’avance. C’est que les informations que nous collectons déjà pour d’autres raisons pourraient contenir des signaux utiles pour construire une prévention plus personnalisée, si elles sont interprétées et validées avec des outils adéquats.