La revue « Nature Medicine » a publié cette semaine un article de la start-up OWKIN, experte en machine learning appliqué à la recherche clinique. L’article, intitulé « Deep learning-based classification of mesothelioma improves prediction of patient outcomes », décrit comment OWKIN a développé un modèle pronostique détaillé et précis basé sur des images de biopsies pleurales pour prédire l’évolution de la maladie et identifier les caractéristiques biologiques associées au mésothéliome.
OWKIN a annoncé la publication de son article dans la revue Nature Medicine, considérée comme une référence internationale dans le domaine de la recherche biomédicale. La start-up y présente une analyse totalement nouvelle de la biologie tumorale à l’aide de modèles interprétables de deep-learning.
« Le mésothéliome est un cancer agressif qui attaque souvent la muqueuse des poumons et est fréquemment associé à l’exposition à l’amiante. Malheureusement, cela s’avère fatal pour la plupart des patients. Ceux atteints de mésothéliome présentent une très grande variabilité en termes de survie – allant de quelques mois à quelques années – compliquant ainsi la tâche des médecins pour la prise en charge des patients et la planification du traitement.
Nos recherches aident à expliquer les causes biologiques de cette variation et conduiront à la mise au point de médicaments plus ciblés ainsi qu’à une meilleure gestion de cette maladie » affirme Thomas Clozel, cofondateur et CEO chez OWKIN.
MesoNet, le modèle de deep-learning de OWKIN, a été utilisé pour analyser des images de diapositives complètes (Whole Slide Images – WSI) de biopsies de la plèvre de près de 3000 patients atteints de mésothéliome.
Pour entraîner et tester MesoNet, OWKIN a utilisé le vaste ensemble de données de MESOBANK, qui tire ses données de plusieurs institutions françaises. Les experts médicaux en anatomo-pathologie du Centre Léon Bérard (CLB) ont validé les résultats du modèle, confirmant ainsi que les performances de MesoNet surpassaient celles de tous les modèles de survie existants.
Par ailleurs, ils ont démontré l’hétérogénéité de ces données avec celles contenues et validées sur les images provenant de « The Cancer Genome Atlas » (TGCA). Au-delà de ses performances prédictives et de cette nouvelle approche pour caractériser les sous-groupes de patients atteints de mésothéliome, le modèle de deep-learning développé par OWKIN a également permis de mettre en évidence des zones d’intérêt précises de l’image associées à la prédiction pronostic.
Cette caractéristique clé d’interprétabilité, combinée à une collaboration itérative originale avec les pathologistes experts utilisant la solution de OWKIN, a permis d’identifier de nouvelles caractéristiques biologiques. Celles-ci ont permis d’apporter une meilleure compréhension biologique de l’hétérogénéité de cette maladie.
« Ce fut une excellente expérience pour notre laboratoire de travailler en étroite collaboration avec les équipes scientifiques de OWKIN pour identifier de nouveaux sous-groupes au sein de notre population de patients. Et la collaboration a dépassé nos attentes.
En plus d’améliorer nos modèles pronostiques, MesoNet a également été en mesure d’identifier de nouveaux biomarqueurs prédictifs liés à la survie dans les régions stromales du microenvironnement tumoral.
Cette capacité met clairement en avant les modèles d’IA de OWKIN et nous a donné une nouvelle orientation dans le cadre de nos recherches sur le mésothéliome. » se réjouit Françoise Galateau, Professeure de pathologie au Centre Léon-Bérard.
Désormais, OWKIN travaille avec ses partenaires de l’industrie biopharmaceutique pour utiliser ces connaissances afin d’améliorer le développement de nouveaux médicaments. Ensemble, ils vont identifier les patients les plus à risque et donc les mieux disposés aux nouvelles approches médicamenteuses en phase d’essai.
Le modèle de collaboration de OWKIN entre le monde universitaire et l’industrie biopharmaceutique génère de nouvelles connaissances à partir de données probantes recueillies auprès de patients dans le cadre de soins et d’essais cliniques. Cela est possible grâce à la mise en place de OWKIN LOOP, un réseau fédéré de centres médicaux universitaires américains et européens comprenant notamment le Centre Léon Bérard.
« La technologie de OWKIN permet à nos algorithmes de tirer des enseignements des données des patients contenues à l’intérieur des pare-feu des hôpitaux, sans que les données quittent l’enceinte des établissements.
Cette approche innovante protège la vie privée des patients et assure à nos partenaires hospitaliers ainsi qu’à leur patientèle, que les données sont conservées en toute sécurité. Cette capacité, associée à l’approche interprétable de l’IA décrite dans l’article de Nature Medicine (NMED- L95980B), permet à OWKIN LOOP de rapidement devenir un atout majeur pour les chercheurs en médecine et les professionnels du développement de médicaments afin d’acquérir une vision prédictive et d’exploiter les biomarqueurs de nouvelle génération.
In fine, nous espérons que cela accélèrera la mise au point de meilleures thérapies pour les patients en ayant le plus besoin. » explique Gilles Wainrib, cofondateur et CSO chez OWKIN.
