Une équipe du centre anticancer de l’université de Cincinnati a décrit une approche assistée par intelligence artificielle qui combine des méthodes statistiques établies et l’apprentissage profond pour prédire la survie au cancer du sein. Publiée dans le Journal of Statistical Theory and Practice, elle vise à affiner l’estimation du risque et les soins personnalisés.
Les modèles traditionnels ne saisissent pas toujours les relations complexes entre caractéristiques cliniques, biologie tumorale et facteurs génétiques.
Le système adopte une stratégie de « fusion » combinant plusieurs méthodes statistiques et l’apprentissage profond afin de représenter plus précisément le risque.
Pourquoi les modèles ont besoin de plus de détails
Le cancer du sein n’est pas une maladie uniforme. Les données cliniques, les indicateurs biologiques et les facteurs génétiques peuvent influencer le traitement et le pronostic.
Wedad Alatebi explique que le projet a étudié si l’association de méthodes statistiques et d’apprentissage profond permettait de mieux saisir ces relations.
Selon Anand Seth, cette approche peut créer des groupes de risque plus précis et aider à adapter les traitements.
Relier statistiques et IA
L’analyse statistique traditionnelle de la survie reste importante. L’étude ne présente pas l’apprentissage profond comme un remplacement complet, mais comme un élément d’un cadre capable d’apprendre des schémas complexes.
Le modèle transforme d’abord les informations cliniques en une représentation du risque, puis intègre l’apprentissage profond au processus de prédiction.
Un modèle de survie est un outil d’aide à la décision, pas une décision thérapeutique. Sa valeur dépendrait d’une validation adaptée et de son utilisation avec le jugement médical, les préférences de la patiente et d’autres éléments.
Prendre en compte les données génétiques
Les données génétiques tumorales peuvent améliorer les modèles, mais l’accès aux tests est inégal. L’équipe de Cincinnati a intégré des données simulées d’expression génique pour répondre à cette limite.
Ces données ne suppriment pas la nécessité d’une validation rigoureuse. La méthode reste une piste de recherche potentielle, et non une norme clinique établie.
Ce que cette recherche pourrait signifier
Si elle est validée, une classification plus précise du risque pourrait soutenir des discussions individualisées sur le traitement et le suivi. Pour l’instant, il s’agit d’un modèle de recherche dont l’impact dépendra d’études ultérieures et de la preuve que de meilleures prédictions améliorent les décisions.
Cet article s’appuie sur un reportage de Medical Xpress. Lire l’article original.
Originally published on medicalxpress.com
