Application de machine learning en imagerie médicale : validation de l’approche Radiomics sur une population de patients traités par radio(chimio)thérapie aux Cliniques universitaires Saint-Luc pour un cancer du poumon non à petites cellules

Précédent
Madeleine Scrivener Publié dans la revue de : Novembre 2018 Rubrique(s) : Mémoires de Recherche Clinique
Télécharger le pdf

Résumé de l'article :

Promoteur

Pr. Xavier Geets

Mots-clés

Imagerie médicale, machine learning , Radiomics, modèles prédicitfs, caractéristiques quantitatives d’images, cancer du poumon non à petites cellules, radio-chimiothérapie, histologie

Article complet :

INTRODUCTION

De plus en plus de progrès sont réalisés dans le domaine de l’imagerie médicale et plus particulièrement dans la conversion d’images médicales en données utilisables. Radiomics est une méthode d’extraction à haut débit de caractéristiques quantitatives d’images médicales (CQI) (regardez https://youtu. be/Tq980GEVP0Y et consultez le site www.radiomics.world). Ces « CQI » peuvent être divisées en quatre groupes en fonction de la caractéristique de la tumeur qu’elles décrivent : son intensité, sa forme, sa texture ou ses caractéristiques à travers des filtres (dit « wavelets »). Ici nous présentons une analyse radiomique des 18 026 « CQI » extraites d’images 4D CT pré-traitement d’une cohorte de 44 patients traités par radio-chimiothérapie pour un cancer du poumon non à petites cellule aux Cliniques universitaires Saint-Luc. Une signature radiomique est créée en utilisant des algorithmes d’apprentissage automatique qui présélectionnent un petit nombre de CQI sur base de leur corrélation avec le résultat étudié (survie, types histologique...). Cette signature est construite en analysant les CQI d’une première cohorte de patients et doit ensuite être testée et validée sur une cohorte externe afin de voir si la signature Radiomique est robuste.

 

HYPOTHÈSES

Premièrement, nous avons fait l’hypothèse que les CQI extraites à partir de CT thoraciques pré-traitement contiennent des informations sur le type histologique de la tumeur, nous permettant de créer une nouvelle signature différentiant les adénocarcinomes des carcinomes épithéliaux. Ensuite nous avons fait l’hypothèse que nous pouvions valider deux signatures radiomique à visée prognostique précédemment publiées (Aerts et al et Tunali et al) sur la cohorte de St-Luc.

 

MATÉRIEL ET MÉTHODE

Notre étude a été divisée en quatre parties. Premièrement, nous avons créé une nouvelle signature Radiomique qui différencie les patients avec un adénocarcinome histologiquement confirmé de ceux qui ont une tumeur d’un autre type histologique sur base de leurs CQI. Cette signature a été créée à partir d’une cohorte open-source de 422 patients traités à Maastricht (MAASTRO Lung). Nous avons ensuite validé cette signature sur la cohorte de 44 patients de St-Luc et sur une cohorte de 99 patients traités dans le service de radiothérapie à l’Université de Californie à San Francisco (UCSF). Pour la deuxième partie, nous avons validé une signature radiomique à visée prognostique publiée par Aerts et al. [3] en 2013 dans Nature Communications sur la cohorte traitée à St-Luc. Cette signature utilise quatre CQI pour diviser la cohorte de patients en deux groupes, un de meilleur pronostique et l’autre avec un pronostique plus réservé. Et troisièmement, nous avons validé une autre signature pronostique développée au Moffitt cancer center en Floride par Tunali et al. [61] et publiée dans Oncotarget en 2017. Cette signature utilise deux CQI (le « degré radial (RG) » et la « déviation radiale (RD) ») extraites des images de patients pour les répartir les patients en un groupe de meilleur pronostique avec une tumeur plus indolente et un groupe qui présentent des tumeurs plus agressives et qui ont donc un pronostic plus réservé. Dernièrement, nous avons évalué la qualité de la méthodologie de cette étude à l’aide de deux scores internationaux : le Radiomics Quality Score (RQS) et les recommandations TRIPOD.

 

RÉSULTATS

La première partie de l’étude a mis en évidence des résultats significatifs dans la différentiation de patients sur base du type histologique de leur tumeur, création de la signature (AUC : 0.93) et validation (AUC : 0.82). Les résultats de la validation des deux signatures à visée pronostique étaient statistiquement non significatifs mais prometteurs et compatibles avec nos hypothèses car il y a une distincte séparation des deux groupes sur les courbes de Kaplan-Meier. Ceci souligne le potentiel des CQI, qui fournissent des informations supplémentaires de façon non-invasive sur la prolifération tumorale, le pronostic du patient et le type histologique sur base de leurs CT pré-traitement. Cette approche pourrait avoir un réel impact clinique mais nécessite pour cela des études prospectives supplémentaires qui sont déjà en cours.

 

AFFILIATIONS

Cliniques universitaires Saint-Luc, Service de Radiothérapie, avec l’aide du GROW-School for Oncology and Developmental Biology, Maastricht University Medical Centre, Maastricht, The Netherlands

Rechercher sur le site

Inscrivez un mot clef afin de rechercher tous les articles,
rubriques ou auteurs associés :