Développement et validation d’un modèle radiomique d’apprentissage profond combiné aux caractéristiques radiologiques cliniques pour prédire les métastases péritonéales occultes chez les patients atteints d’adénocarcinome canalaire pancréatique

Contexte

L’adénocarcinome canalaire pancréatique (Pancreatic Ductal Adenocarcinoma, PDAC) est une tumeur maligne extrêmement mortelle, avec un taux de survie à 5 ans d’environ 11 %. Ce mauvais pronostic est en partie dû au fait que 80 à 85 % des patients sont diagnostiqués à un stade avancé, non résécable ou métastatique, y compris les métastases péritonéales occultes (Occult Peritoneal Metastases, OPM), lorsqu’ils présentent des symptômes. Le péritoine est la deuxième voie la plus fréquente de métastases du PDAC, avec environ 10 à 20 % des patients présentant des métastases péritonéales dès le diagnostic initial. Pour ces patients, l’identification précoce des métastases péritonéales influencerait grandement le choix du traitement afin d’éviter une chirurgie inutile.

Le diagnostic traditionnel des métastases péritonéales repose sur la tomodensitométrie (CT), mais les métastases péritonéales précoces sont souvent difficiles à détecter en raison du manque de signes évidents. Bien que la laparoscopie de stadification diagnostique soit recommandée pour le diagnostic des métastases péritonéales, elle est invasive et n’offre pas le meilleur rapport coût-efficacité. Certaines caractéristiques cliniques et radiologiques, telles que l’antigène carcinoembyonnaire 19-9 (CA19-9) et l’adénopathie régionale, sont considérées comme des facteurs prédictifs de métastases péritonéales, mais leur précision prédictive n’a pas encore été largement confirmée. Par conséquent, il est nécessaire de développer un modèle personnalisé pour prédire les métastases péritonéales chez les patients atteints de PDAC avant le traitement.

Ces dernières années, la radiomique et les techniques d’apprentissage profond ont connu des progrès significatifs dans la prédiction du cancer. Cependant, il n’existe actuellement aucun modèle radiomique d’apprentissage profond dédié aux OPM chez les patients atteints de PDAC. Par conséquent, cette étude vise à développer et à valider un modèle combinant la radiomique artisanale (Handcrafted Radiomics, HCR) et la radiomique d’apprentissage profond (Deep Learning Radiomics, DLR) pour prédire les OPM chez les patients atteints de PDAC.

Source de l’étude

Cette étude a été réalisée par plusieurs auteurs, dont Siya Shi, Chuxuan Lin, Jian Zhou, appartenant à différentes institutions comme le Premier Hôpital Affilié de l’Université Sun Yat-sen de Guangzhou et l’École de Médecine de l’Université de Shenzhen. L’article a été publié le 4 mars 2024 dans l’International Journal of Surgery.

Procédures de l’étude

Sujets de l’étude et groupes

Cette étude rétrospective multicentrique a inclus 302 patients atteints de PDAC qui ont subi un examen CT de base entre janvier 2012 et octobre 2022. L’étude a été divisée en un groupe d’entraînement (167 patients), un groupe de test interne (72 patients) et un groupe de test externe (63 patients). Dans chaque groupe, les patients ont été étiquetés comme OPM positif ou négatif (par exemple, 22 patients étaient OPM positifs dans le groupe d’entraînement).

Collecte et traitement des données

Protocoles de balayage CT : Plusieurs scanners CT de Canon Medical Systems et Philips Healthcare ont été utilisés. Les protocoles et paramètres de balayage CT spécifiques sont disponibles dans le matériel supplémentaire.

Extraction des données : L’étude a recueilli les paramètres cliniques et radiologiques de tous les patients, tels que le sexe, l’âge, la localisation de la tumeur, les niveaux sériques d’antigène carcinoembyonnaire (CEA) et de CA19-9, le stade T et N au CT selon la 8e édition de la classification de l’American Joint Committee on Cancer.

Extraction et sélection des caractéristiques : Le logiciel MITK a été utilisé pour la segmentation 3D et 2D, permettant d’extraire 1130 caractéristiques HCR de la tumeur, 512 caractéristiques DLR de la tumeur et 474 caractéristiques HCR du péritoine. Pour la sélection des caractéristiques, une présélection a d’abord été effectuée par l’information mutuelle et l’opérateur de sélection du moindre résidu absolu (LASSO), suivie d’une modélisation par régression logistique.

Développement et validation des modèles

L’étude a développé quatre modèles : un modèle clinico-radiologique, un modèle DLR tumoral, un modèle HCR péritonéal et un modèle combiné. Les performances de chaque modèle ont été évaluées à l’aide de la courbe caractéristique de la performance du récepteur (ROC) et de l’aire sous la courbe (AUC). Le processus comprenait la sélection des caractéristiques dans le groupe d’entraînement à l’aide de l’algorithme LASSO, puis la validation dans les groupes de test interne et externe.

Résultats de l’étude

Sélection des caractéristiques et performances des modèles : Après la sélection des caractéristiques, le modèle combiné comprenait 9 caractéristiques HCR tumorales, 14 caractéristiques DLR tumorales, 3 caractéristiques HCR péritonéales et 3 caractéristiques clinico-radiologiques (CA19-9, stade T et N basés sur le CT). Une fois entraînés, ces modèles ont montré de bonnes performances prédictives avec des valeurs d’AUC respectives de 0,853, 0,845 et 0,852 pour les groupes d’entraînement, de test interne et de test externe. De plus, le test de Delong a révélé que le modèle combiné était significativement supérieur au modèle basé uniquement sur les caractéristiques clinico-radiologiques.

Comparaison des modèles et évaluation clinique : Le modèle combiné intégrant les caractéristiques DLR et clinico-radiologiques a montré un bénéfice net global supérieur à l’utilisation des caractéristiques clinico-radiologiques ou d’autres modèles seuls, dans les groupes d’entraînement et de test. L’analyse de la courbe de décision a également indiqué une meilleure applicabilité clinique du modèle combiné pour la plupart des seuils raisonnables.

Conclusions de l’étude

Le modèle développé dans cette étude, combinant les caractéristiques DLR des images CT et les données clinico-radiologiques, a montré de bonnes performances prédictives des OPM chez les patients atteints de PDAC. Cet outil de prédiction non invasif pourrait non seulement aider à identifier les patients OPM positifs afin d’éviter les interventions chirurgicales inutiles, mais aussi à sélectionner les patients éligibles pour la laparoscopie diagnostique et le traitement néoadjuvant, fournissant ainsi des informations supplémentaires pour la prise en charge personnalisée.

Signification et valeur de l’étude

Cette étude est la première à appliquer la radiomique d’apprentissage profond à la prédiction des métastases péritonéales occultes chez les patients atteints de PDAC, montrant de bonnes performances dans les groupes d’entraînement et de validation externe. Ces résultats indiquent que la combinaison des algorithmes d’apprentissage profond et des données cliniques permet une prédiction précise des métastases péritonéales occultes chez les patients atteints de PDAC, offrant ainsi une valeur ajoutée importante pour la pratique clinique.

Points forts de l’étude

1. Il s’agit de la première étude radiomique d’apprentissage profond multicentrique sur les métastases péritonéales occultes chez les patients atteints de PDAC, démontrant de bonnes performances prédictives et une bonne capacité de généralisation.
2. En combinant les algorithmes d’apprentissage profond et les données clinico-radiologiques, la précision prédictive du modèle a été significativement améliorée, évitant ainsi les problèmes de sur-apprentissage des modèles traditionnels.
3. Cet outil de prédiction non invasif peut non seulement aider au diagnostic, mais fournit également des orientations cliniques importantes pour une prise en charge personnalisée, contribuant à optimiser le plan de traitement et le pronostic des patients.

Cette étude illustre le potentiel considérable de la radiomique dans le diagnostic et le traitement des cancers, et jette une base solide pour les applications cliniques futures et les recherches complémentaires.