《Prévision des Grades des Gliomes Basée sur les Caractéristiques Radiomiques Intra- et Extra-Tumorales à partir d’Images IRM Multiparamétriques》

Contexte de l’Étude

Les gliomes représentent les tumeurs cérébrales primitives les plus fréquentes du système nerveux central, constituant 80 % des tumeurs cérébrales malignes chez l’adulte. Dans la pratique clinique, les décisions thérapeutiques nécessitent souvent une adaptation individualisée en fonction du grade de la tumeur. L’Organisation mondiale de la santé (OMS) classe les gliomes en quatre grades (I-IV), subdivisés en gliomes de bas grade (LGG, grade I et II) et gliomes de haut grade (HGG, grade III et IV). Une classification précise des gliomes est essentielle pour élaborer des plans de traitement, mettre en œuvre des thérapies personnalisées, et prédire le pronostic ainsi que la survie. Actuellement, le diagnostic des grades de gliome repose principalement sur la biopsie chirurgicale ou l’analyse histopathologique. Cependant, cette méthode est invasive et inappropriée dans certains cas, d’où le besoin urgent d’un système de classification des gliomes non invasif et à haute précision.

L’imagerie par résonance magnétique (IRM) est devenue une méthode non invasive populaire parmi les radiologues pour diagnostiquer les tumeurs cérébrales au cours des dernières années. Bien que les radiologues expérimentés puissent facilement détecter des tumeurs à partir de séquences IRM à l’œil nu, la classification des grades de gliome reste difficile en raison de l’hétérogénéité tumorale. Récemment, d’importants progrès ont été réalisés dans la classification des gliomes en utilisant des scans IRM multiparamétriques (mpMRI) préopératoires et les caractéristiques radiomiques extraites de ces scans. Par exemple, Zacharaki et al. ont développé un système de diagnostic assisté par ordinateur (CAD) utilisant la méthode d’élimination de caractéristiques récursives par machine à vecteurs de support (SVM-RFE) pour différencier les types de tumeurs cérébrales. Vamvakas et al. ont également utilisé l’algorithme SVM-RFE pour sélectionner 21 caractéristiques radiomiques à partir des données mpMRI afin de prédire les grades des gliomes, obtenant des résultats prometteurs sur un échantillon réduit. Bien que ces études aient réalisé des progrès significatifs dans la distinction entre HGG et LGG, l’extraction de caractéristiques radiomiques plus précieuses pour améliorer la précision des prédictions reste un défi.

Source de l’Étude

Cette étude a été réalisée en collaboration entre Jianhong Cheng, Jin Liu, Hailin Yue de l’École des Sciences Informatiques et de l’Ingénierie de l’Université de Central South, ainsi que les éminents chercheurs médicaux Harrison Bai et Yi Pan. L’article a été publié dans le journal « IEEE/ACM Transactions on Computational Biology and Bioinformatics ». L’objectif de cet article est de proposer une méthode non invasive et à haute précision pour la classification des gliomes à partir des caractéristiques intra- et extra-tumorales extraites des scans mpMRI préopératoires.

Processus de Travail de l’Étude

L’étude comprend plusieurs étapes :

Données et Prétraitement

Les données de l’étude proviennent du défi BRATS, contenant 285 scans mpMRI préopératoires (210 HGG et 75 LGG), ainsi que 65 scans mpMRI préopératoires réorganisés à partir du BRATS2019 (48 HGG et 17 LGG) en tant que jeu de données de validation externe. Chaque sujet a quatre modes de scan : pondération T1 (T1), pondération T1 post injection de gadolinium (T1gd), pondération T2 (T2) et récupération d’inversion atténuée par le liquide (FLAIR). Toutes les images ont été réorientées dans un même système de coordonnées, ré-échantillonnées avec une taille de voxel isotrope de 1 mm, et le crâne a été retiré à l’aide d’un outil d’extraction cérébrale.

Définition et Segmentation des Volumes

Selon les recherches cliniques, les organisateurs du BRATS ont identifié trois volumes d’intérêt (VOI) : la partie rehaussée du noyau tumoral (ET), les parties nécrotiques et non rehaussées (NET), et l’œdème péritumoral (PED). Les tumeurs non rehaussées contiennent uniquement des structures tumorales non rehaussées. Pour étudier davantage l’influence du PTV sur la classification des gliomes, nous avons développé une méthode pour capturer des volumes à des distances de 1 à 5 mm autour du noyau tumoral.

Extraction des Caractéristiques Radiomiques

Nous avons utilisé l’outil PyRadiomics pour extraire les caractéristiques radiomiques des VOI, en appliquant diverses méthodes de filtrage et de catégorisation pour quantifier sept catégories de caractéristiques : caractéristiques statistiques de premier ordre, caractéristiques de forme 2D et 3D, matrice de cooccurrence de niveaux de gris (GLCM), matrice de longueurs de run de niveaux de gris (GLRLM), matrice de taille divisée en zones des niveaux de gris (GLSZM), matrice de différence de tons de motifs voisins (NGTDM) et matrice de dépendance des niveaux de gris (GLDM). Nous avons extrait 2153 caractéristiques radiomiques quantitatives de chaque VOI.

Sélection des Caractéristiques et Modélisation des Classificateurs

Nous avons utilisé la régression LASSO pour sélectionner les caractéristiques les plus importantes pour chaque mode. Ensuite, nous avons combiné les caractéristiques optimales de tous les modes en utilisant l’algorithme de corrélation maximale de redondance minimale (MRMR) pour éliminer les caractéristiques redondantes. Les caractéristiques radiomiques les plus classées ont été utilisées pour construire un modèle de classificateur prédictif des grades des gliomes, validé par une validation croisée en cinq plis.

Résultats de l’Étude

Nous avons effectué une validation technique sur le jeu de données BRATS2017 et comparé nos résultats à d’autres études similaires. Les résultats montrent que les régions de la tumeur non rehaussées et la région péritumorale de 1 mm possèdent une haute performance prédictive. En combinant les caractéristiques de ces deux régions, la capacité de prédiction du classificateur a été davantage améliorée, atteignant une valeur AUC maximale de 0,975.

Les résultats sur le jeu de données de validation externe confirment davantage la robustesse et la généralisation de notre méthode, atteignant une haute précision et haute sensibilité, démontrant la valeur pratique des caractéristiques radiomiques proposées pour différencier les grades des gliomes.

Signification de l’Étude

Cette étude propose une nouvelle méthode de classification des gliomes basée sur les caractéristiques intra- et extra-tumorales des scans mpMRI préopératoires, caractérisée par sa non-invasivité et sa haute précision. En utilisant les données riches des images IRM multiparamétriques, cette recherche fournit de nouveaux biomarqueurs radiologiques, offrant potentiellement un soutien important pour le diagnostic clinique, les traitements personnalisés et les prédictions de pronostic.

Points Forts et Innovation

• Introduction d’une nouvelle méthode combinant des caractéristiques radiomiques intra- et extra-tumorales, améliorant la précision de la prévision des grades des gliomes.
• Conception innovante d’un algorithme pour capturer avec précision la région floue des limites extra-tumorales, intégré à l’outil PyRadiomics.
• Exploitation des clichés IRM multiparamétriques et divers classificateurs de machine learning pour révéler la valeur potentielle des caractéristiques multi-dimensionnelles.

Conclusion

La méthode combinée des caractéristiques radiomiques intra- et extra-tumorales démontre une performance exceptionnelle pour la prévision des grades des gliomes, montrant son grand potentiel et ses perspectives d’application en diagnostic assisté par ordinateur. La recherche et la validation pratiques de biomarqueurs radiologiques favoriseront une évaluation tumorale et une prise de décision thérapeutique plus complètes.