Étude sur la valeur prédictive des modèles de croissance des gliomes de bas grade après chirurgie

Introduction

Les gliomes sont des tumeurs cérébrales invasives qui peuvent se propager rapidement dans le cerveau. Comprendre et prédire les modes et les vitesses de cette propagation peut aider à optimiser les traitements. Les modèles de croissance des gliomes basés sur les modèles de diffusion-prolifération ont montré une faisabilité, mais leur application et évaluation dans des données cliniques réelles posent encore des défis. Afin d’améliorer cette évaluation, cette étude propose de considérer le problème de la croissance tumorale comme un problème de classement et d’utiliser la précision moyenne (Average Precision, AP) comme indicateur. Cette méthode ne nécessite pas de seuil volumétrique spécifique et permet une évaluation plus précise des modèles spatiaux.

Source de l’étude

Cet article a été rédigé par Karin A. van Garderen, Sebastian R. van der Voort, Maarten M. J. Wijnenga et d’autres, provenant des départements de radio-oncologie et de médecine nucléaire, neurochirurgie, pathologie et neurologie du centre médical Erasmus de Rotterdam, aux Pays-Bas. L’article a été publié dans le volume 43, numéro 1 de janvier 2024 du journal « IEEE Transactions on Medical Imaging ». L’article a bénéficié d’un financement partiel du projet GLASS-NL de la Dutch Cancer Society, du Delta Medical Project, du Netherlands Organization for Scientific Research (NWO) et du programme de recherche et d’innovation Horizon 2020 de l’Union Européenne.

Méthodes de l’étude

Modèle de croissance tumorale

Le modèle de croissance tumorale utilisé dans cette étude est basé sur le modèle de diffusion-prolifération, incluant le modèle de diffusion homogène isotrope et celui prenant en compte les composantes de diffusion anisotropes. L’équation aux dérivées partielles définie est la suivante :

$$\frac{dc}{dt} = \nabla(D\nabla c) + \rho c(1 - c)$$

où, $\rho$ est le facteur de croissance, $D$ est le tenseur de diffusion. Le modèle prend en compte les frontières entre le cerveau et le liquide céphalo-rachidien, l’équation est la suivante :

$$D = \kappa(x)I + \tau f(x)T(x)$$

où, $\kappa$ et $\tau$ sont des paramètres pondérés différents, $f(x)$ est la fraction anisotropique locale, et $T$ est le tenseur de diffusion normalisé obtenu par le tenseur de diffusion.

Ensemble de données et traitement des images

Le modèle a été appliqué à 14 patients atteints de gliomes de bas grade (Low-Grade Glioma, LGG) qui n’ont pas reçu d’autre traitement après la chirurgie. Les étapes de traitement des images incluent l’enregistrement des images des patients sur un modèle de cerveau sain et la segmentation manuelle des limites de la tumeur. Lors du prétraitement, le logiciel elastix a été utilisé pour l’enregistrement des images, et les déformations non rigides ont été capturées pour prendre en compte les déformations cérébrales dues à la croissance tumorale et à la chirurgie.

Choix du modèle et indicateurs d’évaluation

Cette étude a conçu trois modèles : un modèle de base, un modèle basé sur la segmentation des tissus et un modèle basé sur les DTI. Les paramètres des modèles ont été choisis dans le modèle de cerveau sain, afin de s’assurer que chaque modèle génère des formes de tumeur significativement différentes. L’étude propose de considérer le problème de prédiction de la croissance tumorale comme un problème d’invasion spatiale en utilisant l’AP comme indicateur d’évaluation. L’indicateur AP est indépendant de l’axe temporel, séparant la précision spatiale de l’axe temporel.

Résultats de l’étude

Expériences de simulation

Les expériences de simulation ont comparé les morphologies et les vitesses de croissance des tumeurs à trois positions initiales différentes, trouvant que la vitesse de croissance et la diffusion effective des modèles étaient similaires. Les morphologies des modèles montrent que le modèle basé sur les DTI présente une précision plus élevée dans les prédictions, particulièrement en matière de prévision de l’invasion à longue distance.

Données des patients

Dans les données des patients, le modèle de diffusion anisotrope basé sur les DTI a significativement surpassé le modèle de base et le modèle basé sur la segmentation des tissus, surtout dans la prédiction de la forme des tumeurs récurrentes plus proche de la réalité. En considérant la tumeur initiale, les performances des modèles ne différaient pas significativement, mais le modèle basé sur les DTI restait supérieur dans certains aspects.

Conclusion et signification

Cette étude propose un nouveau cadre d’évaluation des problèmes de croissance tumorale et utilise l’indicateur AP pour l’évaluation. Dans les prédictions de croissance des gliomes de bas grade après chirurgie, le modèle de diffusion anisotrope basé sur les DTI a considérablement amélioré la précision de la prédiction de la forme des tumeurs récurrentes. Avec cette nouvelle méthode et la publication du code et des données, l’étude fournit une meilleure base de comparaison pour l’amélioration future des modèles de croissance des gliomes. Ce travail non seulement démontre l’avantage de l’indicateur AP dans l’évaluation des modèles de croissance des gliomes, mais souligne également l’importance de la divulgation des données et la standardisation dans le développement des modèles.

Points forts de l’étude et perspectives futures

1. Méthode d’évaluation innovante : L’étude est la première à considérer la prédiction de la croissance tumorale comme un problème de classement et à utiliser l’AP comme critère d’évaluation, ce qui aide à évaluer plus précisément les modèles de croissance spatiale.

2. Amélioration du modèle : Les résultats montrent que le modèle basé sur les DTI est excellent dans la prédiction des tumeurs récurrentes, fournissant une base théorique pour le développement futur de modèles de croissance plus complexes.

3. Partage des données : En publiant le code et les données, l’étude favorise l’innovation et la standardisation future dans la recherche sur les modèles de croissance des gliomes.

Cette étude introduit une nouvelle méthode d’évaluation pour les modèles de croissance des gliomes de bas grade, rendant les prédictions plus précises, avec un potentiel et une valeur importants pour les applications cliniques.