Analysis of tumor budding et poor differentiated clusters in non metastasic colorectal cancer by artificial intelligence: review of the literature in 2021
Analyse par intelligence artificielle du bourgeonnement tumoral et des amas peu différenciés comme nouveaux facteurs histopronostiques dans le cancer colorectal non métastatique : revue de la littérature en 2021
Abstract
Adjuvant treatment of non-metastatic colorectal cancer (CRC) relies on validated histoprognostic factors, but too weak to accurately select patients who really benefit from this option. In this setting, two promising parameters have been recently highlighted: tumor budding and poorly differentiated clusters, all of them involved in the early step of metastatic spreading. Numerous publications have underlined their poor prognostic impact in stage II CRC and more recently in stage III CRC. However, the classical histologic analysis is time consuming and associated to a lack of reproducibility. Digital pathology development and artificial intelligence indeed offers the opportunity to more rapidly and accurately assess tumor budding and poorly differentiated clusters. The use of dedicated algorithms is feasible, as reported by the literature’s data. Moreover, such an approach may also allow the simultaneous analysis the tumor microenvironment, notably the stroma and the lymphocytic infiltrate. However, this technical process needs a complete digital environment of pathology departments and the validation of artificial intelligence as a useful diagnostic and pronostic tool for localized CRC.
Le traitement adjuvant du cancer colorectal (CCR) non métastatique repose sur des facteurs histopronostiques établis, mais insuffisants pour sélectionner les patients qui en bénéficient réellement. Dans ce contexte de nouveaux paramètres candidats sont apparus : le bourgeonnement tumoral et les amas peu différenciés, impliqués dans la phase précoce du processus métastatique. De nombreuses publications ont montré leur impact pronostique négatif dans les CCR de stade II et plus récemment dans les CCR de stade III. Cependant leur analyse classique sur lames histologiques est chronophage et manque de reproductibilité. Le développement de la pathologie numérique et de l’intelligence artificielle offre des perspectives pour déterminer de façon plus rapide et précise le bourgeonnement tumoral et les amas peu différenciés. L’utilisation d’algorithmes dédiés est possible, sous-tendue par une récente revue de la littérature. Par ailleurs cette approche offre aussi l’opportunité d’analyser conjointement le microenvironnement de la tumeur, notamment le stroma et l’infiltrat lymphocytaire. Cependant cette approche technologique nécessite une numérisation complète des services d’anatomie pathologique et la validation de l’intelligence artificielle en tant qu’outil diagnostique et pronostique dans les CCR localisés.
| Origin | Files produced by the author(s) |
|---|