Exploration et Fusion de Caractéristiques Multi-Niveaux pour la Prédiction de l’État IDH sur les IRM

Contexte de l’étude

Les gliomes sont les tumeurs cérébrales primaires malignes les plus courantes chez les adultes. Selon la classification des tumeurs de l’Organisation mondiale de la santé (OMS) en 2021, le génotype joue un rôle crucial dans la sous-classification des tumeurs, notamment le génotype de l’isocitrate déshydrogénase (IDH), qui est particulièrement essentiel pour le diagnostic des gliomes. Les études cliniques montrent que les gliomes portant la mutation IDH sont caractérisés par des variations épigénétiques spécifiques, influençant l’activité enzymatique, le métabolisme cellulaire et les propriétés biologiques. Par rapport aux gliomes portant le type sauvage IDH, les gliomes mutants IDH sont plus sensibles à la témozolomide et ont un meilleur pronostic. Actuellement, la détermination de l’état IDH repose principalement sur des séquençages génétiques ou des analyses immunohistochimiques des échantillons tissulaires obtenus après chirurgie invasive. Cependant, ces procédures invasives peuvent retarder les décisions de traitement final et même provoquer des métastases tumorales. Ainsi, il est urgent de développer des méthodes non invasives pour prédire l’état IDH préopératoire afin d’élaborer des plans de traitement appropriés pour les patients atteints de gliome.

Source de l’article

Cet article a été publié dans l’IEEE Journal of Biomedical and Health Informatics, sous le titre “Multi-Level Feature Exploration and Fusion Network for Prediction of IDH Status in Gliomas from MRI”, en janvier 2024. Les auteurs Jiawei Zhang, Jianyun Cao, Fan Tang, Tao Xie, Qianjin Feng et Meiyan Huang sont affiliés respectivement à l’École de Génie Biomédical de l’Université des Sciences Médicales du Sud, l’Hôpital de Zhujiang et l’Hôpital du Sud.

Processus de l’étude

Conception du Réseau d’Exploration et Fusion de Caractéristiques Multi-Niveaux (MFEFNet)

Cette étude propose une nouvelle méthode, nommée Réseau d’Exploration et Fusion de Caractéristiques Multi-Niveaux (MFEFNet), pour explorer les caractéristiques associées à l’état IDH des gliomes et combiner diverses caractéristiques pour une prédiction précise. Les processus spécifiques de l’étude sont les suivants :

1. Module d’extraction de caractéristiques guidé par segmentation (Segmentation-guided feature extraction module, SFE) : Ce module guide l’extraction des caractéristiques étroitement liées à la tumeur en combinant une tâche de segmentation. En utilisant ResNet50 comme encodeur et en ajoutant des poids adaptatifs de canal, le réseau peut extraire des caractéristiques de différents niveaux.

2. Module d’amplification asymétrique (Asymmetry magnification module, AMF) : Ce module détecte les signes de discordance T2-FLAIR et leurs caractéristiques associées, renforçant significativement la représentation des caractéristiques grâce aux différences au niveau de l’image et des caractéristiques. Le processus inclut notamment une soustraction élémentaire au niveau de l’image pour mettre en évidence les différences entre les séquences T2 et FLAIR et, à l’aide d’une structure siamoise, extraire les caractéristiques discordantes au niveau des caractéristiques.

3. Module de fusion de caractéristiques à double attention (Dual-attention feature fusion module, DFF) : Ce module intègre des mécanismes d’auto-attention et un pool d’attention multi-instance pour combiner et exploiter les relations entre différentes caractéristiques. Les caractéristiques sont extraites de chaque coupe 2D du patient, puis fusionnées au sein de la coupe et entre les coupes pour une prédiction finale de l’état IDH.

Expérimentations de l’étude

L’étude a été évaluée sur un ensemble de données multi-centres, montrant des performances prometteuses dans un ensemble de données cliniques indépendantes. Les principales étapes expérimentales incluent :

1. Prétraitement des données : Toutes les images IRM ont été corrigées pour le biais du champ, alignées sur les images T1 IRM, décalottées et interpolées à une résolution de voxel de 0,75×0,75 mm. Une normalisation de l’intensité a été effectuée et les images ont été recadrées à une taille de 224×224 pour être introduites dans le réseau.
2. Entraînement du réseau : Utilisation du framework PyTorch et d’un GPU NVIDIA Pascal Titan X 12 GB. Validation croisée en cinq volets sur le set d’entraînement, avec un maximum de 200 époques d’itération, optimiseur Adam et taux d’apprentissage de type one-cycle.
3. Évaluation des performances : Les performances de la prédiction IDH ont été évaluées à l’aide de métriques telles que l’AUC sous la courbe ROC, la précision (Accuracy, ACC), la sensibilité (Sensitivity, SEN) et la spécificité (Specificity, SPE).

Résultats de l’étude

Les résultats de l’étude démontrent l’efficacité des trois modules :

1. Module SFE : L’ajout de la tâche de segmentation améliore la performance de la prédiction IDH, indiquant que les caractéristiques liées à la tumeur peuvent être mieux extraites.
2. Module AMF : Les caractéristiques différentielles améliorent la précision prédictive de l’IDH, surtout en combinant les caractéristiques de discordance T2-FLAIR, ce qui renforce notablement la capacité de représentation des caractéristiques.
3. Module DFF : Comparé à une concaténation simple de caractéristiques, les mécanismes d’auto-attention multi-head et d’apprentissage multi-instance capturent mieux les corrélations entre les coupes, améliorant ainsi les performances de prédiction. En outre, une validation comparative démontre que la méthode MFEFNet dépasse les performances prédictives et segmentaires des autres méthodes en extrayant mieux les informations potentielles liées à la tumeur.

Valeur de l’étude

Valeur scientifique

Cette étude propose une nouvelle méthode pour la prédiction non invasive préopératoire de l’état IDH, combinant guidage par segmentation, amplification multi-niveaux des différences et mécanismes d’attention double, améliorant les performances de prédiction de l’état IDH.

Valeur applicative

La performance de cette méthode sur des ensembles de données cliniques réels démontre sa bonne capacité de généralisation, avec une perspective d’application clinique pour fournir des références importantes dans la diagnostic et le traitement des patients atteints de gliome.

Points forts de l’étude

• Innovation : Conception d’un réseau de fusion et d’exploration de caractéristiques multi-niveaux, utilisant la combinaison des caractéristiques de discordance T2-FLAIR et les mécanismes d’auto-attention, capturant efficacement les caractéristiques liées à l’état IDH.
• Efficacité : Validation extensive sur des données multi-centres, démontrant la supériorité de l’algorithme et ses hautes performances prédictives.

La nouvelle méthode de deep learning proposée dans cette étude offre une solution efficace pour la prédiction non invasive de l’état IDH, avec des applications importantes dans le diagnostic et la planification du traitement des gliomes.