Pathologie digitale pour le diagnostic de précision en transplantation rénale – DEEPGRAFT

Le rejet représente actuellement la principale cause de perte de greffon dans le monde, avec des conséquences immédiates pour les patients en termes de mortalité, de morbidité et de coût pour la société. L'amélioration des systèmes diagnostiques et pronostiques est nécessaire pour une meilleure stratification des patients, un traitement personnalisé et une meilleure survie des greffons.
La prise en charge actuelle du patient greffé repose sur une approche non standardisée ; les marqueurs de suivi actuellement disponibles sont laissés à l'appréciation subjective du clinicien ou du pathologiste, qui ne peut pas les évaluer avec précision à la fois qualitativement et quantitativement 1) de manière intégrative (l'ensemble des marqueurs disponibles) 2) contextuellement (par rapport à une cohorte de référence avec le mêmes caractéristiques). De plus, les approches actuelles pour de suivi des patients et de dépistage des rejets utilisent des marqueurs non spécifiques et non sensibles lorsqu'ils sont examinés individuellement (créatininémie, protéinurie, etc.) et ne fournissent pas d'informations sur l'étiopathologie sous-jacente du rejet.
En transplantation rénale, la classification de Banff est l’outil diagnostique de référence. Celle-ci repose sur une évaluation histologique du greffon et décrit les lésions tissulaires et l'état d'inflammation afin de déterminer le diagnostic de rejet. Malgré l’utilité démontrée de ce « Gold Standard », plusieurs limites ont été soulignées, notamment sa faible reproductibilité et l'utilisation de scores semi-quantitatifs pour quantifier des phénomènes continus, entraînant d’éventuelles erreurs de classification associées à des traitements suboptimaux ou inadaptés ayant des conséquences néfastes pour la survie du greffon et du patient.
Nous avons émis l'hypothèse qu'une approche de pathologie digitale en transplantation rénale pourrait conduire à un diagnostic automatisé, améliorant sa précision et sa reproductibilité, tout en optimisant la stratification du risque pour les patients. Mon projet reposera sur des outils innovants pour le diagnostic de précision du rejet en transplantation rénale en créant des algorithmes de pathologie digitale comme compagnons de l'histologie classique. Pour arriver à cet objectif, nous nous reposerons sur une base de données prospective multicentrique et phénotypée de manière exhaustive constituée de patients transplantés rénaux (n=6,000). Nous numériserons et annoterons les biopsies des greffons rénaux associées (n=10,000) (WP1), appliquerons des modèles d’intelligence artificielle et le deep learning afin d'automatiser et optimiser les diagnostics histologiques (WP2), et intégrerons les diagnostics issus de la pathologie digitale dans des modèles pronostiques visant à améliorer la prédiction de perte de greffon et ainsi permettre une meilleure stratification des patients et évaluer avec plus de précision la réponse au traitement (WP3). Les outils développés dans le WP2 auront pour objectif, à long terme, d’être mis à la disposition des cliniciens afin de les assister dans leurs diagnostics et ainsi améliorer la prise en charge des patients transplantés.