Cancer ResearchArticle de rechercheAccès libre

Les modèles d'IA prédisent la réponse à l'immunothérapie anticancéreuse mieux que PD-L1, mais peu sont validés chez les patients

Une revue narrative conclut que l'IA multimodale surpasse les biomarqueurs isolés dans les travaux rétrospectifs, mais que les validations prospectives restent rares et que les performances diminuent souvent lors des évaluations externes.

vendredi 20 novembre 2026 0 vue
Publié dans J Egypt Natl Canc Inst
oncologist reviewing a lung CT scan and digital pathology slide on dual monitors in a hospital reading room

Résumé

L'immunothérapie aide certains patients atteints de cancer pendant des années, tandis que d'autres en retirent peu de bénéfice, et les tests standards tels que PD-L1, la charge mutationnelle tumorale (tumor mutational burden) et l'instabilité des microsatellites ne prédisent cette différence que partiellement. Cette revue narrative passe en revue des modèles d'intelligence artificielle qui combinent des données génétiques, l'imagerie TDM/IRM/TEP, des lames d'anatomopathologie numérique, des marqueurs sanguins et des informations cliniques au sein de prédicteurs composites. Plusieurs études rétrospectives rapportent des AUC de 0,8 ou plus, et l'IA est également appliquée à la sélection des patients pour les CAR-T et à la prédiction de leur toxicité. Les auteurs soulignent que la validation prospective et multicentrique est rare, que les tests externes montrent souvent de moins bonnes performances, et que de nombreux modèles sont opaques. Pour l'instant, ces outils sont des aides à la recherche, et non des outils de décision éprouvés. Les principaux obstacles sont la standardisation des données, les biais, la transparence et la réglementation.

Résumé détaillé

Les inhibiteurs de points de contrôle immunitaires et les thérapies cellulaires ont transformé l'oncologie, mais les cliniciens ne parviennent toujours pas à déterminer de façon fiable quels patients répondront au traitement. Cette revue narrative, fondée sur PubMed, Google Scholar et des registres d'essais cliniques jusqu'au début de 2025, cherche à savoir si l'intelligence artificielle peut combler cette lacune en prédisant la réponse et en personnalisant le traitement dans les cancers solides et hématologiques.

Les auteurs expliquent d'abord pourquoi les marqueurs actuels sont insuffisants. PD-L1 et la charge mutationnelle tumorale varient selon les types de cancer, les techniques de dosage et les seuils diffèrent d'un laboratoire à l'autre, et une biopsie unique ne peut rendre compte ni de l'hétérogénéité au sein d'une tumeur ni de son évolution dans le temps. L'instabilité microsatellitaire a une bonne valeur prédictive, mais elle n'est retrouvée que dans environ 5 % des tumeurs. Aucun de ces marqueurs ne prédit de façon fiable la toxicité immunitaire. Le microenvironnement tumoral, avec ses cellules immunitaires suppressives, sa matrice dense et ses vaisseaux sanguins anormaux, ajoute encore à la complexité.

L'argument central est que la combinaison de plusieurs types de données surpasse n'importe quel marqueur isolé. La revue couvre la génomique et la transcriptomique (y compris les réseaux de neurones qui prédisent la liaison des néoantigènes), la radiomique issue du scanner, de l'IRM et de la TEP, la pathologie numérique sur lames entières numérisées, les approches omiques spatiales et unicellulaires, ainsi que l'ADN tumoral circulant. Les performances rapportées incluent une AUC d'environ 0,80 pour le modèle multi-entrées deepAFM, de 0,83 pour la prédiction du statut PD-L1 à partir de l'imagerie du CPNPC, d'environ 0,92 pour l'expression de PD-L1 à partir de la pathologie du cancer du sein, et de 0,838 pour la multi-omique spatiale du CPNPC. Une signature radiopathomique du cancer gastrique a atteint des AUC de 0,978 à 0,822 selon les cohortes de validation et a été associée à l'infiltration par les lymphocytes B mémoire.

Les applications propres à chaque tumeur comprennent la découverte de néoantigènes pour des vaccins dans le mélanome, l'apprentissage automatique appliqué à des données en vie réelle du CPNPC utilisant le rapport neutrophiles/lymphocytes, l'indice de performance et PD-L1, ainsi qu'un outil d'imagerie d'Onc.AI ayant reçu la désignation de dispositif innovant (breakthrough device) de la FDA pour la stratification du risque. L'IA est également utilisée pour sélectionner les patients candidats aux CAR-T, optimiser la fabrication et anticiper le syndrome de relargage de cytokines et la neurotoxicité. Parmi les approches émergentes figurent l'apprentissage fédéré, les modèles de fondation, les jumeaux numériques et la surveillance par dispositifs portables.

Le niveau de preuve est important. Il s'agit surtout de résultats de développement de modèles rétrospectifs, monocentriques, et les auteurs précisent que la validation externe montre souvent une dégradation des performances. Les modèles gastro-intestinaux ne sont souvent pas validés en externe, et les jeux de données sont hétérogènes. La standardisation des données, les biais, la reproductibilité limitée, la faible validation longitudinale et le manque d'explicabilité demeurent des obstacles à la confiance des cliniciens et à l'acceptation réglementaire.

Ce qu'il faut en retenir : l'IA multimodale constitue une avancée prometteuse sur le plan des mécanismes et de la prédiction, mais elle n'a pas démontré qu'elle améliore les résultats pour les patients. Les auteurs appellent à des essais prospectifs multicentriques, à une communication transparente des résultats, à des modèles explicables et à des cadres réglementaires plus solides avant que l'IA ne passe du statut d'outil de recherche rétrospectif à celui d'aide à la décision clinique de routine. S'agissant d'une revue narrative sans évaluation systématique de la qualité, les chiffres de performance cités doivent être considérés comme illustratifs plutôt que comme des estimations agrégées.

Principales conclusions

  • Multimodal deep learning (deepAFM) combining histopathology, genomics, radiomics and clinical data reported AUC up to about 0.80 for immunotherapy response (retrospective).
  • Gastric cancer radiopathomics signature (H&E slides plus CT, seven ML models) reached AUCs of 0.978 to 0.822 across validation cohorts and tracked memory B-cell infiltration.
  • Imaging-based AI predicted PD-L1 status in NSCLC with AUC 0.83; pathology AI predicted PD-L1 expression in breast cancer with AUC about 0.92.
  • NSCLC spatial multi-omics model reached AUC 0.838, but the review notes external validation often shows performance deterioration.
  • Conventional markers are limited: MSI-H is a strong pan-cancer predictor but prevalence is only about 5%, while PD-L1 and TMB lack standardized cutoffs and are partial predictors.
  • Onc.AI's Serial CTRS imaging tool received FDA breakthrough device designation for NSCLC risk stratification, which is a designation, not proof of outcome benefit.
  • Prospective, multicenter validation is scarce, and many GI cancer models lack external validation; no outcome-improvement trial results are reported.

Méthodologie

Il s'agit d'une revue narrative, et non d'une revue systématique ni d'une méta-analyse. La recherche bibliographique a été effectuée dans PubMed, Google Scholar et les registres d'essais cliniques jusqu'au début de 2025, à l'aide de termes liés à l'IA, à l'immunothérapie, aux biomarqueurs, au microenvironnement tumoral, aux cellules CAR-T et à la radiomique. Les études prospectives ou validées de manière externe ainsi que les revues de référence ont été privilégiées, mais aucune évaluation formelle de la qualité, aucune notation du risque de biais ni aucune analyse groupée n'est décrite. Les chiffres de performance (principalement des AUC) proviennent des études citées prises individuellement.

Limites de l'étude

Les auteurs soulignent que la plupart des études sont rétrospectives, que la validation est rarement prospective ou multicentrique, et que les performances diminuent souvent lors d'une évaluation externe. L'hétérogénéité des données, les biais, la reproductibilité limitée et l'opacité des modèles persistent. S'agissant d'une revue narrative, elle peut être sujette à un biais de sélection ; aucun conflit d'intérêts n'est signalé dans le texte fourni, lequel est tronqué avant les sections consacrées au cancer du sein et aux CAR-T.

Ce résumé vous a plu ?

Recevez les dernières recherches sur la longévité dans votre boîte de réception chaque semaine.

Saisissez votre e-mail pour vous abonner :