Apprentissage automatique et intelligence artificielle dans la détection précoce du cancer du pancréas par biopsie liquide : une revue exploratoire

Pourquoi les indices précoces dans le sang et l’urine comptent

Le cancer du pancréas est l’un des cancers courants les plus mortels car il provoque rarement des symptômes nets avant d’être déjà étendu. Cette revue examine comment les cliniciens pourraient le dépister plus tôt en étudiant de minuscules traces de matériel tumoral présentes dans des fluides corporels ordinaires et en utilisant l’intelligence artificielle pour repérer des motifs cachés. Pour les patients et leurs familles, l’espoir est qu’un simple test sanguin ou urinaire puisse un jour signaler un problème bien avant qu’une tumeur ne devienne mortelle.

Un organe difficile d’accès aux signes d’alerte silencieux

Le pancréas est situé profondément dans l’abdomen, ce qui signifie que les tumeurs peuvent croître silencieusement pendant longtemps. Beaucoup de personnes remarquent d’abord seulement des symptômes vagues comme de la fatigue, des douleurs abdominales ou dorsales, une perte de poids ou un jaunissement de la peau. Au moment où l’adénocarcinome canalaire pancréatique est diagnostiqué, plus des trois quarts des patients ont déjà un cancer qui s’est étendu localement ou à distance, et très peu sont candidats à la chirurgie. Même avec des traitements modernes, seulement environ un patient sur dix aux États‑Unis est vivant cinq ans après le diagnostic, si bien qu’avancer le calendrier vers une détection beaucoup plus précoce est crucial.

La biopsie liquide, une fenêtre plus douce sur le cancer

Les outils de dépistage actuels pour les personnes à haut risque reposent sur l’imagerie et l’échographie endoscopique, qui peuvent être coûteuses, inconfortables et parfois risquées. La biopsie liquide offre une voie différente. Plutôt que d’examiner directement le pancréas, les cliniciens analysent le sang, l’urine, la bile ou le liquide des kystes pour y détecter des molécules libérées par les tumeurs. Celles‑ci incluent des fragments d’ADN tumoral, des cellules tumorales entières, de petites vésicules membranaires et de courts ARN qui régulent les gènes. Parce que ces marqueurs peuvent être prélevés par une simple prise de sang ou un échantillon d’urine, ils pourraient permettre des contrôles plus fréquents et plus accessibles, notamment s’ils sont utilisés en panels plutôt que de dépendre d’un seul marqueur comme le test sanguin CA19‑9 de longue date.

Apprendre aux ordinateurs à lire des signaux moléculaires complexes

Le défi est que ces fluides corporels contiennent un mélange dense de matériaux normaux et anormaux, et que les cancers à un stade précoce peuvent ne laisser que des traces ténues. Les auteurs passent en revue 18 études récentes qui recourent à l’apprentissage automatique et à l’apprentissage profond pour extraire des motifs subtils dans cette mer de données. La plupart des études utilisaient des échantillons sanguins, quelques‑unes explorant l’urine, la bile ou le liquide kystique pancréatique. Des méthodes informatiques courantes comme les forêts aléatoires (random forests) et les machines à vecteurs de support (support vector machines) ont été entraînées pour distinguer des patients atteints d’un cancer du pancréas de volontaires sains, de personnes atteintes d’autres cancers ou de celles présentant des problèmes pancréatiques non cancéreux comme une inflammation chronique ou des kystes bénins. Deux études ont utilisé des réseaux neuronaux plus complexes capables d’apprendre les motifs directement à partir de grands ensembles de mesures.

Ce qui fonctionne le mieux jusqu’ici et ce qui reste insuffisant

Dans l’ensemble des études, les performances variaient largement, mais certains constats ont émergé. Les tests fondés sur de petits ARN présents dans les fluides, en particulier lorsqu’ils sont protégés à l’intérieur de vésicules, atteignaient souvent une très grande précision et une forte discrimination entre échantillons cancéreux et non cancéreux. En revanche, les méthodes basées sur des cellules tumorales entières ou certains types de vésicules étaient plus limitées, en partie parce que ces particules sont fragiles, rares et plus difficiles à isoler de façon fiable. Plusieurs équipes ont montré que combiner le CA19‑9 avec de nouveaux marqueurs améliorait les performances par rapport au CA19‑9 seul, rappelant le succès antérieur des tests prénataux multimarqueurs. Néanmoins, la plupart des études portaient sur un nombre modeste de patients, souvent déjà diagnostiqués, et présentaient leurs résultats de manières différentes, ce qui complique les comparaisons équitables.

Ce que cela signifie aujourd’hui pour les patients et les médecins

La revue conclut que la biopsie liquide pilotée par l’intelligence artificielle constitue un complément prometteur aux dépistages basés sur l’imagerie plutôt qu’un substitut à ce stade. Le domaine est jeune et peu de panels testés sont prêts pour une utilisation clinique de routine. Des études plus larges et mieux conçues chez des personnes à haut risque et chez celles présentant des changements précoces comme la pancréatite chronique sont nécessaires, ainsi que des normes plus claires pour le compte rendu des performances des modèles. Si ces obstacles peuvent être surmontés, des tests simples sur fluides guidés par des algorithmes performants pourraient un jour aider à identifier le cancer du pancréas plus tôt, réduire le besoin d’examens invasifs et offrir à davantage de patients une chance de traitement curatif.

Citation: Ku, J., Singhal, M., Burnette, M. et al. Machine learning and artificial intelligence in liquid biopsy-based early detection of pancreatic cancer: a scoping review. BJC Rep 4, 26 (2026). https://doi.org/10.1038/s44276-026-00232-y

Mots-clés: cancer du pancréas, biopsie liquide, apprentissage automatique, détection précoce, biomarqueurs sanguins