Le diagnostic des syndromes myélodysplasiques (SMD) est difficile et repose principalement sur l’analyse de la moelle osseuse et les tests génétiques. En collaboration avec les experts du centre médical universitaire d’Amsterdam (VUMC Amsterdam), des chercheurs du laboratoire Yvan Saeys (VIB et Centre pour l’étude de l’inflammation de l’UGent) ont développé un modèle d’apprentissage automatique visant à améliorer et automatiser le diagnostic des SMD. Le système a permis d’obtenir non seulement un potentiel diagnostique accru, mais aussi une réduction spectaculaire du temps et des moyens nécessaires aux analyses.
À l’heure actuelle, le diagnostic se base le plus souvent sur les caractéristiques de la moelle osseuse et sur les tests génétiques, souvent complétés par une analyse des cellules immunitaires par cytométrie en flux qui permettent de le préciser.
Le diagnostic des SMD impose actuellement l’inspection «manuelle» de toutes ces données. Cette approche comporte toutefois de nombreux travers en termes de reproductibilité, d’objectivité, d’investissement en temps et de sélection du bon sous-groupe de types cellulaires (connus).
«Les techniques d’apprentissage automatique permettent de surmonter une grande partie de ces défis et d’automatiser tout le processus d’analyse des données de la cytométrie en flux», explique le Pr Yvan Saeys. «Leur capacité à examiner tous les types cellulaires leur confère en outre le potentiel de découvrir de nouveaux biomarqueurs et de combiner les données en provenance de différents types de cellules, ce qui pourrait encore améliorer leurs prestations diagnostiques.»
En collaboration avec les cliniciens du laboratoire du Pr Arjan van de Loosdrecht (VUMC Amsterdam), l’équipe du laboratoire Yvan Saeys a développé un système d’apprentissage automatique pour le diagnostic des SMD, qui a permis d’accroître le potentiel diagnostique de 10 % en comparaison avec l’analyse « manuelle » classique. Le temps nécessaire a été ramené d’environ une heure par patient pour l’approche traditionnelle à 30 secondes avec le système d’apprentissage automatique.
«Fait intéressant, nous avons aussi découvert qu’une bonne précision diagnostique ne nécessitait en réalité qu’un seul sous-groupe de données immunologiques. De ce fait, l’analyse nécessitait aussi moins de matériel corporel et de substances chimiques», commente le Dr Sofie Van Gassen, qui était également impliquée dans ces travaux.
