Le pronostic des corticosurrénalomes est hétérogène. La classification transcriptomique sépare les adénomes (cluster « C2 ») des corticosurrénalomes et en identifie deux clusters, « C1A » et « C1B » de pronostic différent. Le RNA-seq3′ permet de déterminer le transcriptome sur tissus fixés et inclus en paraffine, même sur des ARN très dégradés, mais au prix de données manquantes sur 10 à 50 % des transcrits. Notre objectif est de tester un algorithme de réseau de neurones pour prédire la classe moléculaire en routine.

Nous avons entraîné différents modèles de machine-learning (réseau de neurones auto-encodeur, arbres d’isolation et forêt aléatoire, ACCacia) sur 88 tumeurs corticosurrénaliennes (28 C1A, 28 C1B, 32 adénomes). ACCacia comprend un module de prédiction, pour reconnaître C1A/C1B/C2 avec différents niveaux de données manquantes, et deux modules de détection d’anomalies afin d’identifier les situations d’inapplicabilité (i.e. tumeurs non surrénaliennes). Les performances ont été évaluées par validation croisée multiple. Les deux modules de détection d’anomalies ont été testés sur une cohorte additionnelle de 28 tumeurs hypophysaires.

Le module prédicteur ACCacia maintient une précision de plus de 99 % jusqu’à 50 % de données manquantes. Ses modules de détection d’anomalie discriminent parfaitement la cohorte de tumeurs hypophysaires (AUC ROC=1). Deux cohortes de validation – rétrospective (n=207) et prospective (n>15) – sont en cours de constitution et permettront de préciser la valeur diagnostique et pronostique de cet outil.

ACCacia permet de prédire la classe moléculaire des tumeurs corticosurrénaliennes de façon robuste et spécifique à partir de données transcriptome paraffine.