Diagnostic moléculaire des sarcomes en temps réel par la technologie SpiderMass

Résumé Fr En

SpiderMass est une technique d’ionisation ambiante non destructive récemment développée pour l’analyse in vivo basée sur une sonde laser émettant dans l’infrarouge, permettant de balayer un tissu cible, et reliée à un spectromètre de masse. Cette technique fournit, via l’excitation de l’eau endogène aux tissus, des spectres lipidomiques caractéristiques de différents types de sarcomes et permet l’identification des biomarqueurs lipidiques en temps réel. L’étude porte sur la validation à grande échelle des performances diagnostiques (sensibilité et spécificité) de la technologie en comparant les résultats ex vivo de SpiderMass à ceux de l’histologie. Elle implique la construction de modèles de classification histo-lipidomiques pour typer et grader les sarcomes, l’identification des biomarqueurs, et le déploiement d’intelligence artificielle pour l’interrogation de ces modèles, puis son application in vivo pour l’étude en temps réel des marges d’exérèse d’une pièce opératoire. La preuve du concept a été acquise par des études de faisabilité sur des biopsies de tumeurs canines et des échantillons de tumeurs humaines. La technique a distingué avec précision différents types de tissus (sain, tumoral bénin et malin, nécrotique), et a classé adéquatement les sarcomes par type et par grade.

SpiderMass is a recently developed nondestructive ambient ionization system for in vivo analysis that operates with a hand-held infra-red laser probe to scan the examined tissue and linked to a mass spectrometer. The technique provides, through the excitation of the water endogenous to the tissues, lipidomic spectra characteristics of the different types of tumors in real-time as well as the identification of the lipid-based biomarkers. The study aims at validating on a large scale the diagnostic performances in terms of sensitivity and specificity of this novel tool by comparing SpiderMass ex vivo analysis with histology. This implies the construction of histo-lipidomic classification models for sarcoma diagnosis and grading, the identification of the biomarkers, the use of a deep learning based artificial intelligence platform to enabble for real-time interrogation of the classification models, and then the application of SpiderMass to in vivo margin assessment of surgical specimens. The proof of concept was obtained through preliminary studies on dog tumor biopsies and human tumor samples. The technique successfully discriminated between healthy, malignant, and necrotic tissues, and adequately classified the sarcomas by subtype and grade.