Un nouvel article de « Perspective » indique que l’IA générative pourrait aider les scientifiques à comprendre la complexité cachée du cancer à travers les images, les molécules et les données cliniques, ouvrant ainsi une nouvelle voie possible vers un diagnostic, une découverte et un traitement plus intelligents.
Perspective : Aborder la complexité du cancer avec des modèles génératifs. Crédit d’image : Antonio Marca/Shutterstock
Un article récent de Perspective publié dans la revue Cellule soutient que les modèles génératifs pourraient aider à aborder la complexité du cancer.
Les « Hallmarks of Cancer » ont fourni un cadre pour systématiser la compréhension de la biologie du cancer. Ils ont proposé un ensemble de principes dictant la transformation des cellules normales en cellules malignes et la progression ultérieure du cancer. Les caractéristiques représentent un cadre réductionniste qui a unifié diverses observations, produisant des informations précieuses.
Cependant, un cadre volontairement simple ne peut pas expliquer de manière adéquate les mécanismes multiformes du cancer. Ainsi, des outils complémentaires sont nécessaires pour saisir la nature complexe, multiéchelle et multimodale du cancer. Dans cet article, les auteurs proposent que les modèles génératifs fondés sur les progrès de l’intelligence artificielle (IA) puissent répondre à la complexité du cancer.
L’IA pour la détection du cancer et la compréhension biologique
L’IA a réalisé des progrès significatifs dans sa capacité à modéliser des modèles complexes au fil des ans. Les progrès des algorithmes d’apprentissage, de la disponibilité des données et de la puissance de traitement ont conduit à une précision de niveau humain, voire supérieure, dans certaines tâches. Les applications de l’IA au cancer comprennent la compréhension, la détection et l’intervention. Une grande partie des progrès de l’IA pour le cancer ont concerné la détection.
Le développement de réseaux neuronaux convolutifs profonds a considérablement amélioré les performances de classification des images. Les exemples incluent la détection du cancer du sein à l’aide de données mammographiques, la classification du cancer de la peau à l’aide d’images de lésions et la détection du cancer du poumon à l’aide de données de tomodensitométrie. De plus, de nombreux progrès dans la compréhension de la biologie du cancer ont résulté d’améliorations dans sa caractérisation moléculaire.
À mesure que la valeur de l’épigénomique, de la protéomique, de la transcriptomique et d’autres mesures omiques devient évidente, la caractérisation de leurs résultats de grande dimension à l’aide de l’IA suscite un intérêt croissant. Dans ce contexte, les modèles de fondations représentent un axe de développement clé. Les modèles de base d’ARN unicellulaire utilisent des données de séquençage d’ARN unicellulaire pour extraire des signaux biologiques pertinents pour les tâches en aval.
De plus, l’IA peut être prometteuse pour faciliter l’intervention contre le cancer en guidant ou en optimisant la stratification des risques, les décisions thérapeutiques et la gestion des patients. Par exemple, les modèles de sélection de traitement guidés par des biomarqueurs intègrent des caractéristiques cliniques, d’imagerie et génomiques pour identifier les patients susceptibles de bénéficier d’un traitement intensifié.
Modèles génératifs au-delà des caractéristiques du cancer
Les caractéristiques du cancer constituent un cadre réductionniste, troquant la nuance et la complexité contre la structure. Cela signifie qu’un système complexe peut être approché par des modèles plus simples, en supposant que ces derniers capturent suffisamment de variation et de dynamique du système d’origine pour être à la fois prédictifs et intelligibles. Cependant, cette tension entre compréhensibilité et complexité reste un défi fondamental.
En revanche, les modèles génératifs adoptent une position opposée aux modèles réducteurs, privilégiant l’exactitude et la complexité plutôt que la compréhension. Les auteurs proposent que les modèles génératifs pourraient être des outils complémentaires essentiels aux caractéristiques du cancer, car ils peuvent apprendre la dynamique et les modèles complexes du cancer directement à partir des données. Ils soutiennent que les modèles génératifs à usage général peuvent traiter plusieurs tâches simultanément, obtenant potentiellement de meilleures performances que les modèles spécialisés.
L’argument est basé sur des capacités déjà démontrées par de grands modèles génératifs : traitement d’entrées non structurées et apprentissage en contexte, reconnaissance de formes d’une complexité incompréhensible et fusion multimodale. Même si les modèles génératifs multimodaux pourraient avoir un impact significatif à long terme, ils pourraient également remporter des succès à court terme, notamment en matière de dépistage, de tests diagnostiques et de conception de pipelines de découverte de produits biologiques, thérapeutiques et de biomarqueurs.
Les auteurs notent également que les systèmes actuels d’IA contre le cancer restent limités, souvent parce qu’ils n’intègrent pas encore bien les modalités, s’appuient sur un réglage fin spécifique à une tâche étroite et nécessitent toujours une validation rigoureuse, une évaluation de l’incertitude et une surveillance humaine.
Implications de l’IA générative pour les soins contre le cancer
Ensemble, les modèles génératifs représentent un paradigme émergent pour la recherche sur le cancer en intégrant diverses sources de données, modalités et informations contextuelles. Ils fonctionnent comme un système constructionniste qui étend, et finalement dépasse, la capacité du cadre Hallmarks of Cancer. Les progrès dans la compréhension, la détection et l’intervention contre le cancer mettent en évidence le potentiel de l’IA pour améliorer la prise de décision diagnostique, thérapeutique et pronostique.
De plus, des modèles génératifs multimodaux pourraient prendre en charge la génération d’hypothèses mécanistes, les perturbations in silico et la priorisation expérimentale. Avec une intégration accrue, la définition d’indicateurs de réussite sera essentielle. L’impact de l’IA en clinique pourrait être évalué à travers des résultats tels que la qualité de vie des patients et les taux de survie. L’efficacité des pipelines expérimentaux pourrait refléter le succès des modèles génératifs au niveau translationnel.
Néanmoins, relever les défis éthiques et pratiques au-delà du développement de modèles génératifs sera crucial pour réaliser leur utilité dans les soins contre le cancer. En surmontant les défis et en intégrant les commentaires, les modèles génératifs pourraient fournir de nouvelles signatures du cancer, des principes déduits d’expériences, de données réelles et de décisions cliniques, et révéler les domaines dans lesquels les technologies existantes sont insuffisantes.
Le document souligne que ces systèmes devraient fonctionner comme des outils d’aide à la décision et à la découverte, et non comme des remplacements autonomes pour les cliniciens ou les chercheurs, et que leur adoption réussie dépendra également de facteurs tels que l’infrastructure, l’intégration des flux de travail, la confidentialité, les préjugés et l’accès équitable.