Prédiction de la survie des patients oncologiques par l’IA et la Radiomique : des défis méthodologiques aux solutions techniques

La radiomique et l'intelligence artificielle (IA) sont très prometteuses pour améliorer l'imagerie médicale et les stratégies de traitement personnalisé, mais leur intégration dans la routine clinique reste limitée. Notre revue de la littérature a retrouvé que les méthodologies utilisées dans de nombreuses études radiomiques manquaient de cohérence, et le nombre limité de patients dans ces études restreignait leur impact. Cette revue a également souligné la nécessité d'approches standardisées et de bases de données plus larges et plus complètes pour valider les résultats des analyses radiomiques et améliorer leur applicabilité clinique. Pour relever le défi de la variabilité des indices radiomiques, notre étude a mise en évidence la grande variabilité des paramètres radiomiques entre différentes lésions chez un même patient, une problématique clé souvent négligée dans les travaux antérieurs dans le contexte métastatique. Elle a également révélé l'absence de stratégies de sous- échantillonnage optimales pour sélectionner les lésions à segmenter et ensuite analyser à l’aide d’algorithmes prédictifs. Cette constatation a souligné la nécessité de méthodes de segmentation robustes, reproductibles et holistiques pour garantir la fiabilité des analyses radiomiques dans le cadre métastatique. Pour rationaliser l’approche en radiomique, des outils de segmentation automatique par IA ont été développés pour fournir des segmentations de lésions précises et parfaitement reproductibles, en utilisant les données du concours segmentation de de tumeurs cérébrales (BraTS). Nous avons développé un réseau de neurones 3D U-net, combinant supervision profonde et auto- apprentissage par ensemble, pour délimiter les sous-régions pertinentes des glioblastomes à partir de quatre séquences différentes d'IRM cérébrales, et avons démontré que la segmentation par IA peut être réalisée avec précision, permettant d'utiliser ces segmentations pour des tâches d’aval telles que l'extraction de radiomiques et la prédiction de la survie. Nos travaux se sont ensuites portés sur le développement de nouveaux paramètres radiomiques à partir de cartes de segmentation des tumeurs du foie pour prédire la survie des patients. Notre étude a utilisé des techniques avancées de segmentation automatique par réseau de neurones convolutifs pour extraire des paramètres quantitatifs de l'imagerie CT de patients atteints de mélanome, qui se sont avérés être prédictifs de leur survie. Ces résultats, bien que limités aux tumeurs du foie, ont montré le potentiel de la combinaison entre segmentation tumorale complète par IA et analyse radiomique dans le but d’améliorer la précision des prédictions; et ont plaidé pour le développement d’une segmentation tumorale corps entier par IA. En conclusion, notre travail a mis en lumière le rôle crucial des outils d’IA et des approches radiomiques standardisées pour faire progresser l'utilité clinique de la radiomique. En abordant les défis de l'hétérogénéité inter-tumorale au niveau du patient et en explorant de nouveaux biomarqueurs radiomiques, des progrès significatifs ont été réalisés vers l'intégration de la radiomique dans la pratique clinique de routine. Ces avancées sont prometteuses pour des stratégies de traitement plus personnalisées et efficaces.