Application de la radiomique dans la prédiction du contrôle local après radiothérapie stéréotaxique postopératoire chez les patients ayant des métastases cérébrales

Contexte académique

Les métastases cérébrales (Brain Metastases, BMs) sont les tumeurs cérébrales malignes les plus courantes, leur incidence dépassant largement celle des tumeurs cérébrales primaires telles que les gliomes. Les directives médicales récentes recommandent un traitement chirurgical pour les patients présentant des symptômes sévères ou des métastases cérébrales de grande taille. Pour améliorer le taux de contrôle local, il est recommandé que les patients ayant une ou deux BMs réséquées subissent une radiothérapie stéréotaxique (SRT) de la cavité de résection, permettant d’atteindre un taux de contrôle local de 70 % à 90 % dans les 12 mois suivant l’opération. Cependant, même après SRT adjuvante, le risque d’échec local (Local Failure, LF) persiste, ce qui suscite le besoin d’outils de prédiction radiomiques pré-thérapeutiques afin d’identifier les patients à haut risque de LF.

Informations principales de l’étude

Cette étude, menée par Josef A. Buchner et al., a été publiée dans le journal « Neuro-Oncology ». Elle utilise des caractéristiques radiomiques et cliniques pour développer et valider extérieurement un modèle de machine learning basé sur la radiomique pré-thérapeutique visant à prédire l’absence d’échec local (Freedom From Local Failure, FFLF) après chirurgie et SRT des métastases cérébrales.

Méthodologie de l’étude

Collecte des données et traitement initial

Les données de cette étude proviennent de l’étude rétrospective « Analyse de la radiothérapie de la cavité de résection des métastases cérébrales » (Aurora). La cohorte d’entraînement comprend 253 patients provenant de deux centres, et la cohorte de test externe inclut 99 patients provenant de cinq centres. Les caractéristiques radiomiques ont été extraites des BMs rehaussées par contraste (séquence T1-CE IRM) et de l’œdème environnant (séquence FLAIR). Le modèle final a été entraîné sur l’ensemble de la cohorte d’entraînement et testé sur l’ensemble de test externe.

Extraction et traitement des caractéristiques

• Les images DICOM ont été converties en format NIFTI, en utilisant l’outil Brain Extraction Toolkit (BET) pour extraire uniquement la partie du cerveau.
• Les caractéristiques radiomiques ont été extraites des séquences IRM 3D à l’aide de la boîte à outils PyRadiomics.
• Pour pallier les différences générées par différents scanners IRM, le NeuroCombat a été utilisé pour la correction des lots.
• Le cadre de sélection des caractéristiques minimal Redondance-Maximal Pertinence (mRMR) a été appliqué pour sélectionner les caractéristiques pertinentes et non redondantes.

Entraînement et test du modèle

Des modèles de régression Elastic Net (ENR), de forêt aléatoire (RF) et d’extrême gradient boosting (XGBoost) ont été utilisés pour l’entraînement et le test du modèle. La meilleure méthode de correction par lots et le nombre optimal de caractéristiques ont été déterminés par validation croisée à 5 plis. Le modèle final a été entraîné sur l’ensemble d’entraînement et testé sur l’ensemble de test externe multicentrique.

Indices d’évaluation

Les performances du modèle ont été quantifiées par l’indice de concordance (CI). Pour tenir compte des résultats cliniques, une analyse de courbe de décision a été réalisée à 24 mois. Les résultats des segmentations automatiques ont été comparés aux segmentations manuelles à l’aide du coefficient de similitude Dice (DSC).

Résultats et discussion

Validation interne et test externe

Dans la validation interne, le jeu de caractéristiques Comb+Pre-Op combiné au modèle ENR a atteint le CI moyen le plus élevé (0,67). Dans le test externe, le jeu de caractéristiques Comb+Pre-Op a atteint un CI de 0,77, surpassant tout modèle basé uniquement sur des caractéristiques cliniques.

Valeur clinique

Le modèle de cette étude a pu distinguer significativement les groupes de patients à faible et à haut risque (p < 0,001). Après 24 mois, 9 % des patients du groupe à faible risque et 74 % du groupe à haut risque ont présenté un LF, montrant la valeur potentielle du modèle pour le suivi et l’adaptation des plans de traitement des patients.

Relation entre la performance du modèle et la dose de radiothérapie

L’étude a révélé que l’augmentation de la dose de radiothérapie EQD2 (équivalente à une dose de 2 Gy) avait peu d’effet sur le contrôle local. Dans le modèle de prédiction combiné, la performance de prédiction s’est améliorée mais sans changer significativement la valeur clinique du modèle.

Relation entre les caractéristiques radiomiques et le volume tumoral

Les caractéristiques radiomiques peuvent prédire efficacement l’échec local et ces caractéristiques ne représentent pas directement la taille ou le volume des BMs. De plus, il a été observé que le volume tumoral avait un CI faible dans la validation interne de la cohorte d’entraînement, mais une bonne performance dans le test externe.

Impacts et recommandations

Les patients à haut risque pourraient bénéficier d’un traitement adapté au risque et d’un suivi plus fréquent, tels qu’une augmentation de la dose de SRT, l’utilisation de médicaments systémiques traversant la barrière hémato-encéphalique, ainsi que des marges de CTV plus larges.

Conclusion

Cette étude a développé un modèle de machine learning basé sur des caractéristiques radiomiques et cliniques, capable de prédire de manière plus efficace l’absence d’échec local après chirurgie des métastases cérébrales. L’étude a validé la faisabilité des ensembles de données multicentriques et fournit une meilleure base pour des traitements personnalisés, pouvant significativement améliorer la gestion globale des patients ayant des métastases cérébrales. De plus, le modèle et les algorithmes ont été publiés sous forme d’application web facile à utiliser (https://jbuchner.shinyapps.io/shiny/), facilitant l’ajustement des plans de suivi et de traitement par les cliniciens.

Cet article présente une avance significative dans l’application combinée de la radiomique et des caractéristiques cliniques, et promet d’offrir de nouvelles perspectives et méthodes pour la gestion et le traitement futurs des patients. Cette recherche fournit une base de données solide pour des essais cliniques multicentriques et démontre le potentiel des modèles de prédiction basés sur la radiomique dans des applications réelles.