Apprentissage profond du phénotype d'imagerie et du génotype pour prédire le temps de survie global des patients atteints de glioblastome
Dans le monde entier, le glioblastome (Glioblastoma, GBM) est la tumeur cérébrale maligne la plus courante et la plus mortelle. Ces dernières années, des études ont tenté de prédire la survie globale (Overall Survival, OS) des patients atteints de GBM en utilisant des techniques d’apprentissage automatique basées sur les phénotypes d’imagerie unimodaux ou multimodaux préopératoires. Bien que ces méthodes d’apprentissage automatique aient fait des progrès dans les prédictions, la plupart des recherches n’ont pas pris en compte les informations sur le génotype de la tumeur contenues dans les méthodes de prédiction OS basées sur l’imagerie, qui ont une forte indicateur pour le pronostic. Pour résoudre ce problème, Tang Zhenyu, Xu Yuyun, Jin Lei et leurs collègues ont publié en juin 2020 un article intitulé “Deep Learning of Imaging Phenotype and Genotype for Predicting Overall Survival Time of Glioblastoma Patients” dans l’« IEEE Transactions on Medical Imaging », proposant une nouvelle méthode de prédiction OS basée sur l’apprentissage profond, utilisant les données d’imagerie par résonance magnétique (IRM) multimodale préopératoire pour en extraire des caractéristiques liées au génotype de la tumeur et les intégrer dans la prédiction OS.
Les chercheurs ont proposé un réseau de neurones convolutifs multitâches (CNN) conçu pour effectuer les tâches de prédiction du génotype de la tumeur et de prédiction OS. Le réseau peut améliorer l’exactitude de la prédiction du temps OS en apprenant des caractéristiques liées à la tâche de prédiction du génotype. Dans les expériences, un ensemble de données IRM multimodales du cerveau de 120 patients atteints de GBM a été utilisé, comprenant jusqu’à quatre génotypes/marqueurs moléculaires différents. La précision de la prédiction OS de cette méthode a surpassé celle des autres méthodes les plus avancées.
Le contexte de cette recherche répond à un besoin clinique, visant une évaluation préopératoire précise personnalisée du pronostic pour les patients atteints de GBM. Les institutions des auteurs incluent le Centre d’Innovation en Grande Données et Calcul du Cerveau de haute précision de l’Université de Beihang, l’Hôpital Populaire de la province du Zhejiang et l’Académie médicale de Hangzhou, démontrant la force de la collaboration interdisciplinaire dans la recherche.
Les résultats expérimentaux basés sur la base de données de la biobanque monocentrique GBM, qui inclut des IRM multimodales, des caractéristiques génomiques et des informations sur le pronostic OS, ont démontré que cette méthode dépasse les méthodes existantes de prédiction OS basées sur la radiomique et l’apprentissage profond.
De plus, les données collectées dans cette étude ont été rigoureusement prétraitées et une taille uniforme de patch 3D d’IRM multimodale a été définie, garantissant la couverture de la tumeur du cerveau entier de tous les patients. Le processus détaillé d’entraînement et de test a inclus des techniques d’augmentation des données pour augmenter la taille de l’échantillon et améliorer la capacité de généralisation du modèle.
Les conclusions et les significations de la recherche montrent que la tâche de prédiction du génotype de la tumeur combinée a amélioré de manière significative l’exactitude du pronostic du GBM, témoignant de la supériorité de l’apprentissage profond dans l’analyse d’image médicale par rapport à l’apprentissage automatique traditionnel. En évaluant l’impact de différents marqueurs génétiques dans la prédiction OS, les chercheurs ont constaté que l’état de MGMT et l’IRM de diffusion (DWI) sont des caractéristiques phénotypiques génétiques et d’imagerie importantes pour la prédiction OS. Cette découverte révèle non seulement la connexion étroite entre les phénotypes d’imagerie, les génotypes et les résultats cliniques mais fournit également des indications cliniques importantes pour les plans de traitement du GBM.
Les points forts de cette recherche incluent la découverte de l’importance relative du marqueur génétique MGMT et de la DWI, soulignant l’importance des associations gène-gène et/ou gène-pronostic, et mettant en évidence la relation étroite entre les phénotypes d’imagerie, les génotypes et les résultats cliniques, fournissant ainsi des orientations cliniques précieuses pour les plans de traitement du GBM.
Cependant, il convient de noter que cette étude présente certaines limitations, telles que l’utilisation uniquement des données de modalité DWI et T1c, l’exclusion d’autres modalités pouvant limiter l’amélioration de la précision de la prédiction. L’incomplétude des données a également pu affecter la performance du modèle. À l’avenir, les recherches pourraient inclure des images peropératoires et postopératoires ainsi que des informations sur l’exérèse tumorale afin d’améliorer encore la prédiction OS.
Cet article combine des méthodes d’apprentissage profond avancées et des technologies d’imagerie médicale, offrant aux patients atteints de GBM un nouveau modèle de prédiction de pronostic à haute précision, apportant une orientation puissante pour la pratique clinique et les futures directions de recherche.