Les thérapies contre le cancer dépendent de quantités vertigineuses de données : voici comment elles sont triées dans le cloud

Les patients atteints de cancer et leurs médecins disposent de plus d’informations que jamais sur la maladie et son traitement, et les informations disponibles continuent de croître à un rythme vertigineux. Cependant, toutes ces informations ne sont pas utiles si les gens ne peuvent pas tout comprendre. 

Pensez par exemple à un patient atteint d'un cancer du poumon, qui pourrait recevoir un diagnostic précoce grâce à un programme de dépistage produisant une image de tomodensitométrie (TDM). Au fur et à mesure que leur diagnostic et leur plan de traitement progressent, leurs soignants apporteront des sources de données telles que l’IRM et l’imagerie moléculaire, des données pathologiques – qui sont de plus en plus numérisées – et des informations génomiques. 

« Honnêtement, tout cela constitue un défi très difficile pour les équipes soignantes elles-mêmes, qui réfléchissent à la meilleure façon de soigner et de traiter ces patients », a déclaré Louis Culot, directeur général de la génomique et de l'informatique oncologique chez Philips, lors d'une conférence Amazon. Événement virtuel de services Web pour l'industrie de la santé. 

"En oncologie aujourd'hui, ou dans n'importe quelle discipline médicale, cela est important parce que le traitement compte, l'intervention compte", a déclaré Culot. « Nous ne voulons pas seulement des données pour le plaisir. Quelle action les membres de l’équipe de soins pourraient-ils entreprendre en fonction des informations ?

Pour mieux maîtriser toutes ces données, les innovateurs se sont tournés vers des outils tels que le cloud computing et l’apprentissage automatique, avec des résultats potentiellement salvateurs. Lors de l'événement AWS de cette semaine, Culot a présenté le partenariat de Philips avec le MD Anderson Cancer Center de l'Université du Texas, qui vise à aider les médecins à rassembler toutes leurs données pour créer des plans de soins personnalisés pour les patients. 

Satnam Alag, vice-président directeur de l'ingénierie logicielle chez Grail, a expliqué comment son entreprise utilise le cloud et l'apprentissage automatique pour développer un système capable de dépister chez les patients des dizaines de types de cancer différents à la fois, plutôt qu'un à la fois. 

Il est difficile d’exagérer l’impact de l’amélioration du dépistage et des traitements du cancer. En 2020, il y a eu plus de 19 millions de cas de cancer dans le monde, a noté Alag, et près de 10 millions de décès. On estime qu’un homme sur trois et une femme sur quatre sont susceptibles d’être atteints d’un cancer au cours de leur vie.

« Vais-je ou un membre de ma famille recevoir un diagnostic de cancer ? Où est-il dans mon corps ? Peut-on guérir ? Ou est-ce que ça va me tuer ? Ce sont des questions communes que beaucoup d’entre nous partagent », a déclaré Alag. 

Heureusement, à mesure que nous collectons davantage de points de données pour étudier le cancer, les scientifiques développent également rapidement de nouvelles options de traitement. Les progrès du profilage moléculaire ont aidé les scientifiques à identifier différentes catégories et sous-catégories de cancer, ainsi que différents traitements potentiels. En 2009, la FDA américaine avait approuvé huit médicaments anticancéreux, a noté Culot. En 2020, ce nombre est passé à 57. En outre, environ 1,500 XNUMX essais cliniques sont actuellement ouverts aux patients atteints de cancer. 

"En général, il existe désormais littéralement des centaines de thérapies ou de combinaisons thérapeutiques possibles qui peuvent être utilisées pour traiter le cancer", a déclaré Culot. « Nous avons donc ce double défi, n'est-ce pas ? Comment rassembler toutes ces données pour obtenir une meilleure image du patient ? Et puis, de ce point de vue, qu’est-ce que tout cela signifie en termes de meilleur traitement ?

Pour résoudre ce problème, les médecins du MD Anderson ont développé le système PODS (Precision Oncology Decision Support), un outil fondé sur des preuves qui aide les médecins à évaluer les informations pertinentes telles que les derniers développements de médicaments et les essais cliniques, ainsi que les réponses des patients aux traitements. . Cela les aide à développer des plans de traitement personnalisés.

En 2020, MD Anderson s'est associé à Philips et AWS pour mettre le système à la disposition des médecins et praticiens du monde entier. 

Le système ne peut exister que dans le cloud, a noté Culot, pour plusieurs raisons. Il y a une énorme quantité de données à stocker et d'énormes quantités de données à traiter. Dans le même temps, le système doit être un système multi-tenant sécurisé et conforme pour les praticiens du monde entier. 

Peut-être plus important encore, le cloud permet des plans de traitement véritablement personnalisés, a noté Culot, en permettant aux médecins de collaborer et de combiner leurs données. 

"Les gens parlent du cancer comme d'un problème lié au Big Data, mais c'est aussi ce que j'appelle un petit problème", a déclaré Culot. Il a donné l’exemple d’un patient atteint d’un cancer du poumon qui apprend qu’il est atteint d’un cancer du poumon de stade 4 avec des mutations spécifiques. 

« Vous finissez par subdiviser et subdiviser ces populations, de sorte que même les plus grands établissements de soins de santé n'ont parfois que quelques patients qui répondent aux critères dont nous essayons de tirer des leçons », a-t-il déclaré. « Pouvoir combiner des données – anonymisées, de manière conforme – afin que nous puissions en tirer des leçons, est possible grâce à ces écosystèmes basés sur le cloud. »

De même, Satnam Alag de Grail a déclaré que le cloud était impératif pour le développement de Galleri, le test de détection précoce de plusieurs cancers de la société. Le test est conçu pour détecter plus de 50 types de cancers en complément des tests de dépistage d’un seul cancer.

« Tirer parti de la puissance de la génomique et de l’apprentissage automatique nécessite beaucoup de calculs », a déclaré Alag. « De très grandes quantités de données doivent être collectées et mises à l’échelle. » 

À partir d'une seule prise de sang, le test Galleri utilise des algorithmes de séquençage de l'ADN et d'apprentissage automatique pour analyser des morceaux d'ADN dans la circulation sanguine d'un patient. Le test recherche spécifiquement les acides nucléiques acellulaires (cfDNA) que les tumeurs excrétent dans le sang, ce qui peut vous indiquer quel type de cancer existe dans le corps et d'où il vient. 

"Au lieu de dépister uniquement les cancers individuels, nous devons dépister le cancer des individus", a déclaré Alag. « Et cela est désormais possible grâce à deux grandes révolutions technologiques survenues au cours des 20 dernières années. Premièrement, le pouvoir de la génomique : il est désormais possible de séquencer l’ADN complet… générant des téraoctets de données de manière rentable en quelques jours. Deuxièmement, il y a l’énorme quantité d’innovation dans l’apprentissage automatique. Nous disposons désormais du savoir-faire nécessaire pour créer des modèles d’apprentissage profond et complexes comportant des dizaines de millions de paramètres.