Stratification du risque oncogénique basée sur l'IA dans le trouble du spectre autistique pédiatrique : un cadre d'apprentissage automatique multi-omique pour la prévention précoce du cancerAI-driven oncogenic risk stratification in pediatric autism spectrum disorder: A multi-omic machine learning framework for early cancer prevention.
- Le modèle IA a identifié des signatures oncogéniques à haut risque chez 12,4 % des enfants avec TSA, avec une AUC-ROC de 0,92.
- Les mutations PTEN étaient associées à un risque élevé chez 88,4 % des porteurs, contre 15,2 % pour les TSA non syndromiques.
- L'exposition environnementale précoce aux produits chimiques était liée à un risque plus élevé (64,5 % vs 28,3 %).
Article très pertinent pour NeuroWatch car il aborde un sujet clinique crucial (dépistage du cancer chez les enfants avec TSA) avec une approche innovante d'IA, bien que le niveau de preuve reste modéré en raison de sa nature rétrospective.
L'étude est rétrospective et basée sur des données de pays à revenu faible ou intermédiaire, ce qui limite la généralisation aux contextes à revenu élevé. La cohorte de 1 120 profils analysés est relativement petite, bien que l'échantillon total soit de 5 120. Les facteurs de confusion potentiels (par exemple, les comorbidités non documentées) n'ont pas été entièrement contrôlés.
Cette étude rétrospective a utilisé un cadre d'apprentissage profond multitâche pour identifier les profils oncogéniques à haut risque dans une cohorte de 5 120 enfants avec TSA issus de pays à revenu faible ou intermédiaire. En intégrant des données génomiques, métaboliques maternelles et d'exposition environnementale, le modèle a atteint une AUC-ROC de 0,92, identifiant 12,4 % des profils comme à haut risque. Les mutations PTEN et les expositions chimiques précoces étaient fortement associées au risque élevé. L'IA explicable a fourni des voies cliniques interprétables pour 97,8 % des cas. Les résultats suggèrent que cet outil pourrait combler le fossé entre la surveillance neurodéveloppementale et le dépistage oncologique, notamment dans les populations défavorisées.
Le modèle IA a identifié des signatures oncogéniques à haut risque chez 12,4 % des enfants avec TSA, avec une AUC-ROC de 0,92. Les mutations PTEN étaient associées à un risque élevé chez 88,4 % des porteurs, contre 15,2 % pour les TSA non syndromiques. L'exposition environnementale précoce aux produits chimiques était liée à un risque plus élevé (64,5 % vs 28,3 %). L'IA explicable a fourni des voies cliniques interprétables pour 97,8 % des cas, même dans des environnements pauvres en données. L'étude souligne le besoin d'un dépistage oncologique proactif plutôt que réactif chez les enfants avec TSA.
Cet outil pourrait être intégré dans les soins primaires pédiatriques pour un dépistage précoce du cancer chez les enfants avec TSA, particulièrement dans les pays à ressources limitées. L'identification de biomarqueurs partagés entre TSA et cancer ouvre la voie à des stratégies de prévention personnalisées. L'utilisation de l'IA explicable renforce la confiance des cliniciens en fournissant des justifications transparentes pour les alertes à haut risque.
Modéré