Deep learning for detecting BRCA mutations in high-grade ovarian cancer based on an innovative tumor segmentation method from whole-slide images

Par : Bourgade, Raphaël

Document archivé le : 14/10/2023 15:34

Les gènes BRCA1/2 jouent un rôle crucial dans la réparation des cassures double-brin de l'ADN par recombinaison homologue. Actuellement recherchées par NGS, les mutations des gènes BRCA1/2 constituent un facteur prédictif de réponse aux inhibiteurs de la poly(ADP-ribose) polymérase dans les cancers de l’ovaire de haut grade. Dans cette étude, nous présentons un modèle prédictif du statut mutationnel BRCA entraîné sur une cohorte de 775 lames de cancer de l’ovaire de haut-grade colorée à l’HES. Nous avons tout d’abord entraîné un modèle de segmentation tumorale selon une approche innovante basée sur l’échantillonnage dynamique de 8 lames d'entraînement, qui a obtenu un Dice score de 0,915 et un IoU de 0,847. Nous avons ensuite entraîné un ResNet-50 selon un processus de self-supervised learning (momentum contrast) afin d’extraire les features de plus d’un million de tuiles tumorales prédites sur l’ensemble du dataset. Pour finir, nous avons entrainé un classifieur selon une approche de multiple instance learning avec un mécanisme d’attention. Ce modèle constitue désormais l’état-de-l’art avec une AUC de 0,741 en 5-fold cross-validation, 0,673 sur le test set et 0,631 sur un test set indépendant issu du TCGA. Ce travail est ainsi le premier à avoir démontré que la mutation BRCA a un retentissement phénotypique détectable par deep learning, qui pourrait être ainsi utilisé comme outil de pré-screening. 23NANT089M