Une plateforme de pathomique par apprentissage profond pourrait prédire la réponse à l'immunothérapie dans le cancer du poumon

Une plateforme de pathomique basée sur l'apprentissage profond a prédit avec précision les résultats et la réponse à l'immunothérapie chez des patients atteints de cancer du poumon non à petites cellules (CBNPC) métastatique, selon une étude présentée à la réunion annuelle 2026 de l'American Association for Cancer Research (AACR). Le modèle d'intelligence artificielle guidé par la biologie, appelé Pathology-driven Immunotherapy Optimization (Path-IO), a été appliqué à des lames de pathologie de routine et a surpassé PD-L1, le biomarqueur standard actuel.

Les chercheurs ont développé Path-IO comme un modèle de prédiction de survie par apprentissage profond qui analyse les images de lames de pathologie et identifie des caractéristiques spécifiques, ou niches, au sein du microenvironnement tumoral. En combinant ces motifs tissulaires avec des données d'imagerie et cliniques, le modèle estime si un patient présente un risque plus élevé ou plus faible de mauvais résultats sous immunothérapie. L'étude a inclus 797 patients atteints de CBNPC traités par inhibiteurs de points de contrôle immunitaires provenant du UT MD Anderson Cancer Center, avec une validation externe chez 280 patients supplémentaires de la Mayo Clinic, de Gustave Roussy et de l'essai de phase III Lung-MAP S1400I. Dans la cohorte de UT MD Anderson, les patients du groupe à haut risque avaient plus du double du risque de décès ou de progression de la maladie par rapport à ceux du groupe à faible risque, et une stratification comparable a été observée dans les ensembles de validation.

Les performances ont été mesurées à l'aide de l'indice de concordance (C-index). Path-IO a obtenu des indices C de 0,69 pour la survie globale (OS) et de 0,65 pour la survie sans progression (PFS) dans la cohorte de découverte, et de 0,63 pour l'OS et 0,58 pour la PFS dans la cohorte de test. En revanche, PD-L1 avait des indices C de 0,58 (OS) et 0,57 (PFS) dans la cohorte de découverte, diminuant à 0,50 et 0,51 dans la cohorte de test. La combinaison des prédictions basées sur la pathologie avec la radiomique et les données cliniques a encore amélioré l'indice C, passant de 0,58 à 0,70 pour la PFS et de 0,63 à 0,75 pour l'OS.

Contrairement aux études de pathomique antérieures, Path-IO est une approche guidée par la biologie qui ancre ses prédictions dans des structures tissulaires familières aux cliniciens, reflétant la manière dont les pathologistes interprètent naturellement les tissus. Les prédictions du modèle étaient corrélées avec le profilage immunitaire et les données d'imagerie multiplex, car des scores de risque plus élevés correspondaient à des phénotypes moins susceptibles d'être sensibles à l'immunothérapie. Cela fournit des preuves biologiques expliquant pourquoi certains patients peuvent avoir de meilleurs ou de moins bons résultats. Étant donné que l'approche utilise des lames de pathologie de routine, si elle est validée comme outil prédictif, elle pourrait être incorporée dans les workflows cliniques existants sans dépenses importantes. L'étude représente le premier biomarqueur de pathomique basé sur l'apprentissage profond rigoureusement validé dans des cohortes internationales réelles et un essai clinique randomisé de phase III.