Algorithme de radiomique d’imagerie pour la gradation des gliomes basé sur le pooling de tranches et assisté par l’IA

Introduction

Les gliomes sont les tumeurs les plus courantes et les plus menaçantes du système nerveux central, caractérisées par une haute incidence, de fréquentes récidives, une mortalité élevée et un faible taux de guérison. L’Organisation mondiale de la santé (OMS) classe les gliomes en quatre grades (I, II, III et IV), les grades I et II étant désignés comme gliomes de bas grade (LGG) et les grades III et IV comme gliomes de haut grade (HGG). Les HGG sont des tumeurs malignes plus invasives et ont une espérance de vie d’environ deux ans. Malgré l’introduction de la classification moléculaire par l’OMS en 2016, qui permet d’éviter des traitements inefficaces, la gradation des gliomes reste un critère diagnostique important car elle détermine le choix des options de traitement.

L’imagerie par résonance magnétique (IRM) est une méthode d’imagerie couramment utilisée pour détecter et analyser les gliomes. C’est une technique rapide et non invasive qui contient une riche quantité d’informations, difficile à extraire par la simple observation médicale. La radiomique, une partie des technologies de l’intelligence artificielle (IA), est devenue une méthode populaire d’analyse quantitative des images. Elle permet de quantifier les informations extraites des images en caractéristiques, ce qui est utile pour le diagnostic et le pronostic de diverses maladies. À ce jour, les premiers résultats cliniques dans ce domaine suscitent de grands espoirs concernant la conversion de la radiomique en systèmes de diagnostic assisté par ordinateur (CAD) haute performance pour les applications cliniques.

Les systèmes CAD intègrent des solutions, en particulier des solutions d’imagerie, au-delà des problèmes médicaux et biologiques. Ils permettent un diagnostic préopératoire précis basé sur l’examen d’imagerie. Par exemple, le radiologue segmente simplement les régions d’intérêt (ROI) sur les images IRM, qui sont ensuite entrées dans le système CAD pour obtenir un diagnostic incluant les détails pathologiques. Ce nouveau modèle de diagnostic offre des résultats d’analyse comparables à ceux des experts et accélère le diagnostic. En somme, il peut fournir des références et gagner du temps pour la sélection des traitements pour les patients.

Bien que les systèmes CAD basés sur la radiomique soient prometteurs, il reste des domaines à améliorer. Actuellement, la segmentation des ROI est encore effectuée de manière semi-automatique ou manuelle. Pour les images IRM de maladies tumorales, les radiologues expérimentés segmentent manuellement les ROI pour chaque tranche, ce qui entraîne une consommation de temps et d’effort considérable et retarde le flux de travail du système CAD. Par conséquent, il est nécessaire de développer une solution adéquate pour alléger la charge des radiologues dans le tracé manuel des ROI.

Source de l’article

Cet article est le fruit d’une collaboration entre Guohua Zhao (Premier Hôpital affilié de l’Université de Zhengzhou, Centre d’innovation collaborative en télémédecine de l’Université de Zhengzhou), Panpan Man, Jie Bai (Premier Hôpital affilié de l’Université de Zhengzhou), Longfei Li, Peipei Wang (Premier Hôpital affilié de l’Université de Zhengzhou), Guan Yang (Collège des sciences informatiques de l’Institut technologique central des plaines), Lei Shi (Faculté de logiciel de l’Université de Zhengzhou), Yongcai Tao, Yusong Lin (Faculté de logiciel de l’Université de Zhengzhou, Centre d’innovation collaborative en télémédecine de l’Université de Zhengzhou et Institut de recherche HANWEI IOT) et Jingliang Cheng (Premier Hôpital affilié de l’Université de Zhengzhou), publié dans la revue IEEE Transactions on Industrial Informatics en août 2022.

---

Cette étude a établi un algorithme de radiomique assisté par IA appelé AI-RASP (Algorithme de radiomique propulsé par l’IA basé