Prédiction du fonctionnement cognitif pour les patients atteints d'un gliome de haut grade : Évaluation des différentes représentations de la localisation de la tumeur dans un espace commun

Contexte académique

Il est largement reconnu que la fonction cognitive des patients atteints de gliome de haut grade est influencée par la localisation et le volume de la tumeur. Cependant, la recherche visant à prédire avec précision la fonction cognitive des patients individuels pour des décisions de traitement personnalisées avant et après la chirurgie est encore limitée. Actuellement, la majorité des études se concentrent sur l’explication de l’impact de différentes localisations tumorales sur la fonction cognitive, sans explorer en détail si ces représentations peuvent être utilisées pour la prédiction pratique. De plus, la plupart des méthodes utilisées actuellement sont basées sur une carte cérébrale moyenne de groupe, ce qui peut ne pas refléter avec précision les différences individuelles. Cette étude vise à explorer différentes méthodes de représentation de la localisation des tumeurs, y compris la carte cérébrale moyenne des populations, des cartes générées aléatoirement et des représentations basées sur l’analyse en composantes principales (Principal Component Analysis, PCA), pour déterminer si elles peuvent prédire efficacement la fonction cognitive des patients non vu.

Source de l’étude

L’article intitulé « Predicting cognitive functioning for patients with a high-grade glioma: evaluating different representations of tumor location in a common space » est principalement rédigé par S. M. Boelders, W. De Baene, E. Postma, K. Gehring et L. L. Ong, provenant respectivement des départements de sciences cognitives et d’intelligence artificielle et de neuropsychologie à l’Université de Tilburg. L’article a été publié le 31 mai 2024 dans la revue « Neuroinformatics ».

Processus de l’étude

Conception de l’étude et participants

Cette étude comprend 246 patients atteints de gliome de haut grade (grades 3 ou 4 selon l’OMS) qui ont subi une chirurgie à l’hôpital Elisabeth-Tweesteden entre 2010 et 2019 et ont effectué un dépistage cognitif préopératoire. Les participants, âgés de 18 à 81 ans, ont été soumis à des entretiens standardisés pour obtenir des variables démographiques telles que l’âge, le sexe et le niveau d’éducation. Le dépistage cognitif a été réalisé à l’aide de la batterie de tests informatisée CNS Vital Signs (CNS VS), comprenant huit tests cognitifs.

Traitement et segmentation des images neuro

Chaque patient a subi des examens IRM préopératoires comprenant T1, T1 contrasté, T2 et FLAIR. Les résultats des scans ont été inscrits dans l’espace MNI en utilisant l’outil REGALADIN du paquet LINDA, et la déstratification du crâne a été réalisée avec HD-BET. Les zones de contraste rehaussé de la tumeur ont été segmentées en utilisant un réseau de neurones convolutifs (architecture U-Net) et corrigées manuellement.

Méthodes de représentation de la localisation des tumeurs

L’étude a réduit chaque donnée de segmentation des voxels en 39 représentations de faible dimension différentes, y compris basées sur 13 cartes moyennes de la population, 13 cartes aléatoires et 13 représentations basées sur la PCA. Chaque méthode de représentation est détaillée comme suit : 1. Représentation de carte moyenne de la population : le pourcentage de chevauchement de chaque région est calculé en superposant les segmentations des tumeurs et les cartes moyennes de la population. 2. Représentation de carte aléatoire : générée en sélectionnant aléatoirement des voxels de graines par une méthode similaire à l’algorithme de feu de brousailles. 3. Représentation basée sur la PCA : la segmentation des voxels tumoraux utilise la PCA pour obtenir un petit nombre de caractéristiques indépendantes.

Prédiction de la fonction cognitive

Un modèle ElasticNet a été utilisé pour prédire les résultats des tests cognitifs des patients et pour comparer les performances de prédiction de chaque méthode de représentation. Le modèle a été évalué en utilisant une validation croisée par « leave-one-out » et comparé à un modèle de base utilisant uniquement le volume de la tumeur comme facteur prédictif.

Résultats de l’étude

Performances du modèle de base

Le modèle de base utilisant uniquement le volume de la tumeur comme facteur prédictif a expliqué entre moins de 1% à 9,6% de la variance dans différents tests cognitifs.

Performances des différentes méthodes de représentation

Dans l’ensemble, les performances de chaque méthode de représentation étaient similaires, aucune ne dépassant significativement le modèle de base. Les représentations basées sur la PCA ont légèrement mieux performé dans la plupart des cas, mais avec une différence minime. Plus précisément, la méthode PCA a été meilleure que les cartes aléatoires dans 3 tests, et meilleure que les cartes moyennes de la population dans 7 tests.

Principales découvertes

1. Différence dans les régions fonctionnelles individuelles : les cartes moyennes de la population n’ont pas significativement amélioré les performances de prédiction dans la plupart des cas, probablement en raison des effets de masse tumorale diminuant la précision des cartes.
2. Potentiel des méthodes PCA : bien que la différence soit faible, les méthodes basées sur la PCA ont montré de légers meilleurs résultats, suggérant qu’elles pourraient être plus prédictives que les cartes traditionnelles.
3. Mauvaises performances des représentations de haute dimension : les représentations de haute dimension (avec plus de 100 régions par carte) ont montré de mauvaises performances de prédiction, alignées avec la théorie de la malédiction de la dimension.

Conclusion et valeur applicative

Les résultats indiquent que bien que différentes méthodes de représentation de la localisation des tumeurs aient un potentiel théorique pour la prédiction, elles ne surpassent pas de manière significative le modèle de base utilisant uniquement le volume de la tumeur. Cela suggère que les méthodes de représentation des localisations tumorales actuellement utilisées peuvent présenter des limites lorsqu’il s’agit de prédire la fonction cognitive des patients individuels, soulignant ainsi la nécessité de développer et de valider de nouvelles méthodes adaptées aux différences individuelles et aux effets spécifiques des lésions tumorales. Les méthodes basées sur la PCA ont montré un certain potentiel, mais nécessitent des recherches supplémentaires pour vérifier leur généralisation à différents jeux de données.

Les résultats de cette étude suggèrent que le développement de méthodes de segmentation des régions cérébrales plus précises, tenant compte des différences individuelles dans la structure et la fonction cérébrales, pourrait améliorer significativement la précision de la prédiction de la fonction cognitive. De plus, pour les chercheurs travaillant sur la prédiction de la fonction cognitive des patients, les méthodes basées sur la PCA pourraient constituer une option viable, bien que la compréhension de la signification biologique des caractéristiques PCA puisse poser un défi.