Étude des caractéristiques utiles pour la prédiction de la survie globale des patients atteints de gliomes de bas grade

Contexte académique

Les gliomes sont une croissance tumorale dans le cerveau, généralement une menace sérieuse pour la vie des patients. Dans la majorité des cas, les gliomes finissent par entraîner la mort du patient. L’analyse des gliomes implique souvent l’observation de coupes pathologiques de tissus cérébraux sous un microscope. Bien que les images pathologiques de tissus cérébraux aient un grand potentiel pour prédire le taux de survie globale des patients (OS, Overall Survival), elles sont rarement utilisées comme seul facteur prédictif en raison de l’unicité de la pathologie des tissus cérébraux. Utiliser des images pathologiques pour prédire le taux de survie globale des patients atteints de gliomes précoces a une valeur significative pour le traitement et la qualité de vie. Dans cette étude, les auteurs explorent la possibilité de prédire la survie globale (OS) des patients atteints de gliomes de bas grade (LGG, low-grade glioma) en utilisant un modèle d’apprentissage profond combiné à des données descriptives simples (telles que l’âge et le sous-type de gliome).

Source de l’étude

Cet article a été rédigé conjointement par Elisa Warner, Xuelu Li, Ganesh Rao, Jason Huse, Jeffrey Traylor, Visweswaran Ravikumar, Vishal Monga et Arvind Rao. Les auteurs sont respectivement affiliés à l’Université du Michigan, Amazon, l’Université d’État de Pennsylvanie, le Baylor College of Medicine, le MD Anderson Cancer Center et le Centre Médical de l’Université du Texas Southwestern. L’article a été publié lors de la conférence de la IEEE Engineering in Medicine & Biology Society (EMBC) en 2022.

Contenu et méthode de l’étude

a) Processus de l’étude

1. Acquisition et prétraitement des données : L’équipe de recherche a acquis 841 images de coupes pathologiques de patients diagnostiqués cliniquement avec des gliomes du MD Anderson Cancer Center entre 1997 et 2015. Les patients devaient être diagnostiqués avec des gliomes de bas grade (niveau WHO 2) et posséder des images pathologiques. Pour s’adapter au traitement des images, les images ont été découpées en unités de 224x224 pixels, et les unités avec plus de 40% de blanc ou de marques de stylo noir ont été éliminées, puis standardisées en termes de coloration et d’élimination des artefacts.

2. Modèles de base et modèles de comparaison : Le modèle de base a utilisé un réseau VGG16 modifié, tandis que le modèle de comparaison choisi par les auteurs était un réseau de décomposition des caractéristiques régularisées (RFD-Net). Ces modèles ont été utilisés pour extraire des caractéristiques des images et les convertir en vecteurs de caractéristiques via des couches de convolution.

3. Étude d’ablation : Pour comprendre l’importance des données cliniques simples (comme l’âge et le sous-type de gliome) dans la prédiction de la survie globale, l’équipe de recherche a réalisé une série d’expériences d’ablation, bloquant systématiquement les types d’entrées du modèle pour évaluer la performance du modèle.

4. Évaluation du modèle : La performance du modèle a été évaluée en calculant l’AUC (aire sous la courbe ROC) au niveau des diapositives (slide-level) et au niveau des cellules (tile-level), en utilisant la validation croisée et un ensemble de données de maintien (holdout set) pour assurer la robustesse du modèle.

b) Principaux résultats de recherche

1. Performance du modèle : En utilisant la validation croisée et les tests sur l’ensemble de maintien, le modèle RFD-Net a surpassé le modèle de base dans chaque instance. Le meilleur modèle était le RFD-Net combinant les informations des images et de l’âge, avec une AUC de 83,7 sur l’ensemble de test et une AUC de 83,7 sur l’ensemble de maintien.

2. Résultats des tests d’ablation : Les tests d’ablation ont montré que, outre les caractéristiques d’image, l’ajout de l’information sur l’âge pouvait améliorer la robustesse et la performance AUC du modèle. Cependant, l’ajout de l’information sur le sous-type pouvait avoir un effet négatif.

c) Conclusions et significations de la recherche

Cette étude démontre que l’utilisation des images pathologiques comme principale source de données, combinée à des informations cliniques de base, permet de construire un modèle prédictif significatif pour la survie globale des patients atteints de gliomes de bas grade. Les conclusions spécifiques sont les suivantes :

1. Valeur scientifique : Les images pathologiques ont un potentiel élevé pour prédire la survie globale du tissu cérébral, en particulier en se concentrant sur des caractéristiques distinctives dans les images (comme les caractéristiques des noyaux cellulaires), plutôt que sur toutes les parties de l’image.

2. Valeur appliquée : L’information sur l’âge est une variable clé pour prédire la survie globale du tissu cérébral, aide à améliorer la robustesse et la performance prédictive du modèle. Ces résultats soutiennent l’utilisation de l’âge comme variable pronostique en pratique clinique.

d) Points saillants de la recherche

1. Découvertes importantes : Le modèle RFD-Net a excellé dans l’extraction et l’utilisation des caractéristiques distinctives des images pathologiques cérébrales, améliorant la précision de la prédiction de la survie globale.

2. Problème clé résolu : L’étude a relevé le défi de prédire la survie globale à l’aide des images pathologiques cérébrales, en proposant une nouvelle méthode se concentrant sur les caractéristiques distinctives des images.

3. Innovation méthodologique : L’étude a adopté un réseau de décomposition des caractéristiques régularisées (RFD-Net), distinguant efficacement les caractéristiques partagées et distinctives des images, améliorant ainsi les capacités de prédiction.

e) Développement futur

L’équipe de recherche prévoit d’augmenter l’interprétabilité du modèle RFD-Net en construisant un modèle d’apprentissage profond capable de reconstruire les caractéristiques clés des images à partir des vecteurs de caractéristiques distinctives. En outre, des études d’ablation élargies aideront à déterminer les avantages supplémentaires des facteurs tels que les génotypes et les modes d’imagerie supplémentaires dans les modèles de décision clinique.

Conclusion

Cette étude vise à explorer comment utiliser les images pathologiques comme principale source de données, combinée à des informations cliniques de base, pour construire un modèle prédictif de la survie globale des patients atteints de gliomes de bas grade (LGG). Les résultats montrent que se concentrer sur les caractéristiques distinctives des images pathologiques, combiné à l’information sur l’âge des patients, peut améliorer la précision et la robustesse de la prédiction, offrant de nouvelles perspectives et méthodes pour la pratique clinique.