L'IA face aux grands problèmes du monde · Médecine et découverte de médicaments · Nature (computational biology) · 2026-10-21
HRDPath : une architecture explicable d'apprentissage profond multi-modèles pour prédire le déficit de recombinaison homologue à partir d'images histopathologiques
Titre original: HRDPath: an explainable multi-model deep learning architecture for predicting homologous recombination deficiency from histopathology images
Le déficit de recombinaison homologue (HRD) est un biomarqueur clé pour les décisions thérapeutiques dans le carcinome séreux tubo-ovarien de haut grade, mais les tests génomiques existants sont variables, coûteux et chronophages. Les auteurs ont développé HRDPath, une architecture d'apprentissage profond qui prédit le statut HRD directement à partir d'images de lames entières, sans tests moléculaires supplémentaires. Validée sur trois cohortes de patientes, elle a atteint une AUC de 0.846, avec une sensibilité et une spécificité atteignant toutes deux 0.90.