CONTEXTE ― Le myélome multiple se développe à partir de stades précurseurs asymptomatiques comme la MGUS et le SMM, dont le risque d’évolution est très hétérogène et nécessite un suivi personnalisé. Les modèles de stratification actuels reposent sur des biomarqueurs statiques incluant le taux de plasmocytes médullaires nécessitant la réalisation d’un geste invasif, le myélogramme. En dépit d’approches innovantes dans la stratification précise du risque évolutif, ces dernières restent globalement éloignées de la routine clinique. Dans cette perspective, l’EPS représente un examen de routine sous-exploitée. À l’ère de l’IA, l’apprentissage profond amène une vision nouvelle par l’analyse automatisée et profonde des courbes EPS et des données complexes qu’elles renferment. Dans ce but, nous avons développé SPECTRUM, un réseau neuronal convolutif conçu pour analyser les courbes brutes d’électrophorèse des protéines sériques, un test simple et non invasif, afin de prédire l’infiltration médullaire plasmocytaire.
MÉTHODES ― Cette étude rétrospective s’appuie sur plus de 230 000 tracés EPS issus du laboratoire du CHU d’Angers (2012–2024). Les données traitées et annotées ont été séparées en jeux d’entraînement et de validation. Notre modèle a été entraîné pour détecter une infiltration médullaire ≥ 10 %. Le modèle final a été validé sur une cohorte indépendante issue d’un hôpital du Cap en Afrique du Sud. L’interprétabilité du modèle a été explorée par une méthode de gradients intégrés. L’analyse statistique a inclus des tests non paramétriques ainsi que le calcul du score de Brier et du log loss pour évaluer la calibration du modèle.
RÉSULTATS ― SPECTRUM a surpassé la prédiction réalisée à partir de la concentration en protéine-M seule (ROC-AUC : 0,92 versus 0,82). Sur le jeu de test externe, il atteint 94,1 % de sensibilité, 77,8 % de spécificité, et une AUC globale de 0,95. L’analyse d’explicabilité montre que le modèle exploite l’ensemble de la courbe, au-delà de la seule zone du pic.
CONCLUSION ― SPECTRUM constitue un premier pas décisif vers un outil non invasif, performant et interprétable pour améliorer la stratification du risque chez les patients présentant une gammapathie monoclonale.
BACKGROUND ― Multiple myeloma evolves from precursor stages like MGUS and SMM, which exhibit highly heterogeneous progression risks and require personalized monitoring. Current risk stratification models rely on static biomarkers, including the percentage of bone marrow plasma cells, which necessitates an invasive bone marrow aspiration. Despite innovative approaches aimed at refining risk prediction, these tools remain largely disconnected from routine clinical practice. In this context, SPEP, a widely available and underexploited test, offers an attractive alternative. In the era of AI, deep learning provides a new perspective by enabling automated and deep analysis of SPEP curves and the complex information they contain. We developed SPECTRUM, a convolutional neural network designed to analyze raw SPEP curves, a simple and non-invasive test, to predict BMPC infiltration.
METHODS ― This retrospective study is based on over 230,000 SPEP curves collected at Angers University Hospital (2012–2024). Processed and annotated data were split into training and validation sets. The model was trained to detect bone marrow infiltration ≥ 10 %. Final evaluation was performed on an independent cohort from a hospital in Cape Town, South Africa. Model interpretability was assessed using Integrated Gradients. The statistical analysis included nonparametric tests, along with the calculation of the Brier score and log loss to assess model calibration.
RESULTS ― SPECTRUM outperformed M-protein concentration alone in predicting BMPC infiltration (AUC: 0.92 vs 0.82). On the external test set, it achieved 94.1% sensitivity, 77.8% specificity, and an overall AUC of 0.95. Interpretability analyses revealed that the model leveraged the entire electrophoretic profile, not just the M-spike region.
CONCLUSION ― SPECTRUM represents a major step toward a non-invasive, high-performance, and interpretable tool for improving risk stratification in patients with monoclonal gammopathies.