Gliomes: mieux évaluer la réponse au traitement grâce à un algorithme

Contexte

Les gliomes sont des tumeurs cérébrales. Elle peut être traitée de différentes manières: par exemple par radiothérapie, par chimiothérapie, chirurgicalement, par chimioradiothérapie ou expérimentalement. Cependant, tous les gliomes ne répondent pas aussi bien à un type de traitement. C'est pourquoi des méthodes sont nécessaires pour prédire la réponse au traitement des tumeurs de manière aussi fiable que possible. La croissance des tumeurs présente un intérêt particulier pour les scientifiques et les médecins traitants.

Jusqu'à présent, les tumeurs cérébrales ont été analysées à l'aide d'images IRM. A cet effet, les critères dits RANO (Response Assessment in Neuro-Oncology) ont été utilisés de plus en plus fréquemment, et les images IRM ont été principalement analysées en deux dimensions et manuellement. Ces critères peuvent être utilisés pour estimer la durée pendant laquelle une tumeur est susceptible de rester sans progression. Cependant, cette technique pose certains problèmes, car elle repose sur l'hypothèse que les tumeurs se développent de manière sphérique et qu'il suffit de les mesurer en deux dimensions pour faire des déclarations sur le volume de la tumeur. Cependant, de nombreuses tumeurs ne se développent pas uniformément dans toutes les directions car elles sont fortement influencées par leur environnement et le traitement. Par conséquent, ils prennent souvent des formes compliquées et se développent de manière anisotrope. En conséquence, la mesure bidimensionnelle atteint ses limites. Cependant, les méthodes de mesure tridimensionnelles ne sont pas encore adaptées à un usage clinique quotidien.

Fixation d'objectifs

L'équipe autour du Dr. Dans son étude, Philipp Kickingereder de l'hôpital universitaire de Heidelberg et du centre allemand de recherche sur le cancer à Heidelberg s'est fixé comme objectif de développer un algorithme utilisant un réseau de neurones artificiels (ANN) [1]. Cet algorithme devrait être capable d'analyser quantitativement les enregistrements MRT de manière entièrement automatique et d'estimer le temps sans progression ainsi que de prédire la réponse au traitement dans les gliomes. L'objectif est de réduire les limites de l'évaluation manuelle des tumeurs. L'algorithme doit être intégré dans une infrastructure logicielle compatible avec la clinique.

méthodologie

Dans un premier temps, les scientifiques ont utilisé les données de 455 patients atteints de glioblastomes confirmés histologiquement à l'hôpital universitaire de Heidelberg pour enseigner à l'intelligence artificielle à analyser les images IRM de manière indépendante et standardisée selon des critères prédéterminés. En entrée, l'ANN a reçu quatre séquences IRM différentes, pour lesquelles les radiologues avaient développé un masque de segmentation tumorale à l'avance.

L'algorithme a ensuite été vérifié sur la base des ensembles de données longitudinales de 40 autres patients traités à Heidelberg avec un glioblastome histologiquement confirmé ou un gliome de bas grade et comparé statistiquement rétrospectivement avec les résultats obtenus par RANO. Dans le même temps, l'équipe a soumis l'algorithme à un deuxième contrôle à l'aide de données multicentriques. Pour ce faire, ils ont utilisé un total de 2 034 images IRM de 532 patients de 38 instituts dans l'étude EORTC-26101. Pour les deux ensembles de données, l'intelligence artificielle a quantifié la dynamique spatiale et temporelle du volume de la tumeur et a calculé automatiquement la période de temps jusqu'à ce que la tumeur progresse. Les scientifiques ont également comparé statistiquement ces résultats à l'aide du coefficient de Dice avec les résultats basés sur RANO obtenus pendant le traitement.

Dans une dernière étape, Dr. Kickingereder et ses collègues ont développé une infrastructure logicielle directement utilisable sur la base des résultats de leurs études et l'ont testée dans un environnement clinique simulé avec des patients.

Résultats

Évaluée statistiquement, l'ANN a obtenu un coefficient de dés médian de 0,89 pour les tumeurs à contraste amélioré et de 0,93 pour les anomalies du signal T2 non amélioré dans l'IRM pour les ensembles de données Heidelberg, et de 0,91 et 0,93 pour les ensembles de données de l'étude EORTC-26101 . Afin d'estimer le temps sans progression, l'évaluation quantitative basée sur l'ANN de la réponse au traitement était significativement meilleure que la survie globale basée sur le RANO. La fiabilité de l'évaluation a été améliorée de 36%.

Afin de calculer la réponse thérapeutique des tumeurs dans une clinique simulée avec des patients, l'intelligence artificielle avait besoin de dix minutes de temps informatique par scan.

Conclusion

«L'évaluation de plus de 2 000 examens IRM de 534 patients atteints de glioblastome de toute l'Europe montre que notre approche informatisée permet une évaluation plus fiable de la réponse thérapeutique que ce qui serait possible avec la méthode conventionnelle de mesure manuelle. Nous avons pu améliorer la fiabilité de l'évaluation de 36%. Cela peut être essentiel pour l'évaluation basée sur l'imagerie de l'efficacité du traitement dans les essais cliniques. Notre nouvelle méthode a également permis de prédire plus précisément la survie globale », explique le Dr Philipp Kickingereder [2].

Afin de transformer les résultats en un système robuste, adapté à un usage quotidien et suffisamment testé pour le diagnostic clinique, le système doit maintenant faire ses preuves dans des études cliniques prospectives. Selon les propres informations de la société, cela est actuellement mis en œuvre dans le cadre d'une étude visant à améliorer le traitement des patients atteints de glioblastome au Centre allemand de recherche sur le cancer et au Centre national des maladies tumorales (NCT) à Heidelberg.

!-- GDPR -->