En oncologie, la radiomique est une méthode qui permet de prédire de manière non invasive la réponse au traitement ou de caractériser le type de tumeur et son agressivité. Publié le 12 novembre 2020, dans le journal scientifique Nature, un article, rédigé notamment par l’équipe du groupe MedGIFT de l’Institut Informatique de Gestion de la HES-SO Valais Wallis, marque une étape importante vers une meilleure utilisation des modèles de classification d’images radiologiques pour caractériser les tumeurs cancéreuses de la tête et du cou.
Dans les études radiomiques standard (= méthodes mariant la big data et l’imagerie pour obtenir des informations pronostiques sur les patients) , les caractéristiques extraites des images cliniques sont le plus souvent quantifiées à l’aide de statistiques simples, telles que la valeur moyenne ou la variable, par région d’intérêt (appelées ROI). De telles approches peuvent gommer toute hétérogénéité dans une région de la tumeur et ainsi dissimuler son agressivité, ce qui peut biaiser les prédictions.
Les améliorations précédentes des méthodologies en radiomique portaient principalement sur l’optimisation des caractéristiques, c’est-à-dire une meilleure description de la tumeur et de son environnement, ou sur l’amélioration des algorithmes d’apprentissage automatique.
Les conclusions de la publication
Dans cet article, plusieurs méthodes d’agrégation, avec des approches radiomiques standard, ont été comparées afin d’évaluer les améliorations des capacités de prédiction. Sur une cohorte de 214 patients atteints de cancer de la tête et du cou, provenant de 4 centres médicaux, plusieurs modèles ont été comparés : les performances des modèles radiomiques standards, le volume du ROI et le modèle BoVW pour l’analyse de survie.
L’hypothèse principale des travaux décrits dans cet article est que les tumeurs hétérogènes nécessitent des méthodes d’agrégation de caractéristiques plus avancées que les méthodes classiques intégratives ou basées sur les quantiles qui sont couramment utilisées en radiomique. L’article conclue que les méthodes classiques d’agrégation ne sont pas optimales en cas de tumeurs hétérogènes dans le cadre de cancers de la tête et du cou. Il démontre également que le modèle BoVW est une meilleure alternative pour extraire des caractéristiques cohérentes quand des lésions composées de tissu hétérogène sont présentes.
>> Lire l’article : ” The importance of feature aggregation in radiomics: a head and neck cancer study ”