Literatura académica sobre el tema "Analyse radiomique"

Les Sarcomes indifférenciés pléomorphes (UPS pour Undifferentiated Pleomorphic Sarcoma) forment un groupehétérogène « par défaut ». Nous avons émis l’hypothèse qu’il existe un lien entre le niveau de dédifférenciation des UPS et l’infiltrat immun intra-tumoral, et que cette relation repose sur des altérations génomiques ainsi que sur l’activation de voies de signalisation spécifiques associées à un impact thérapeutique potentiel. Les objectifs de ce travail étaient de générer une classification des UPS intégrant une approche génomique, immunophénotypique, protéomique et radiomique, et d’identifier et tester de potentielles cibles thérapeutiques sur des lignées cellulaires et des xénogreffes dérivées de tumeurs de patients (PDX) caractérisées génomiquement. Nous avons réuni 135 tumeurs de patients de type UPS dans notre institution, parmi lesquels 25 ont été sélectionnées pour séquençage de l’ARN et de l’exome entier. L’analyse hiérarchisée non supervisée des données de séquençage ARN identifia trois groupes : A, B et C. Le groupe A était principalement enrichi en gènes jouant un rôle dans le développement et le phénotype « cellule souche », notamment LHX8, LRRN1, LGR5, BMP5 et FGFR2. Le group B était fortement enrichi en gènes impliqués dans l’immunité, incluant MARCO, TIMD4, TIGIT, CD27, IFNG, CD8B, PDCD1, CD3D et IDO1, ainsi que DKK1. Le groupe C était trop petit pour être caractérisable de façon fiable. Nous avons pu confirmer cette classification sur une cohorte indépendante de 41 UPS du consortium TCGA. Nous avons trouvé une forte corrélation entre l’expression génique et la densité protéique en IHC sur les échantillons tumoraux correspondants pour CD8, PD-1 et IDO1, amenant à appeler le groupe B « immune-high » et le groupe A « immune-low ». Dans une cohorte indépendante de validation de 110 UPS, la densité de CD8 était significativement associée à une meilleure survie sans métastase (p = 0.04). Nous avons retrouvé une fréquence significativement plus importante de variation du nombre de copies de gènes dans le groupe « immune-low », principalement des délétions, touchant notamment PTEN, RB1, FANCA, FAS, CDKN2A, TP53, AXIN1, NF2 et BRCA2. Les analyses protéomiques permirent de détecter deux principaux groupes - PA and PB – fortement corrélés avec les deux principaux groupes identifiés en transcriptomique – A « immune low » et B « immune-high ». Le groupe PB était significativement enrichi en protéines appartenant aux voies de la réponse immunitaire, et le groupe PA en protéines appartenant aux cibles de MYC et à la transition épithélio-mésenchymateuse. Nous avons ensuite développé des lignées cellulaires et des PDX issues de tumeurs provenant de l’étude de profilage moléculaire et obtenu des modèles représentant chaque groupe A, B et C. L’inhibiteur de FGFR JNJ-42756493 avait une activité anti-tumorale in vitro et in vivo dans les lignées et les modèles de PDX du groupe A, de façon sélective. Nous avons également montré in vitro une sensibilité sélective des lignées cellulaires du groupe A aux trois inhibiteurs de protéines à bromodomaines BET CBP/P300 : CPI637, NEO1132 and NEO2734. Enfin, nous avons identifié un set de neuf variables de texture issues de séquences d’IRM conventionnelles hautement corrélées à notre classification transcriptomique des UPS, permettant de poser la base d’une signature radiomique pour sélectionner les UPS « immune-high » sur leur imagerie pré-thérapeutique.Cette étude est la première à réaliser un portrait intégré d’UPS primaires non pré-traités. Nous avons pu identifier deux groupes principaux, avec des implications thérapeutiques potentielles : le groupe « immunehigh », fortement inflammé et probablement le meilleur candidat à l’immunothérapie, et le groupe « immunelow », avec un rationnel pour l’utilisation d’inhibiteurs de FGFR et de BET dans ce dernier
Undifferentiated Pleomorphic Sarcoma (UPS) are an heterogeneous group of poorly differentiated tumors made up ‘by default’. We hypothesized that there is a link between dedifferentiation state of UPS and immune infiltrate and that this relation relies on specific pathways activation and related genomics alterations with potential therapeutic impact. Objectives of this work were to generate a comprehensive Omics landscape of UPS, integrating genomic, immuno-phenotypic, proteomic and radiomic approach, and to identify and test potential targets for therapeutic approach on cell lines and patients tumor mouse xenografts (PDX). We analyzed a cohort of 135 UPS samples from patients in our institution, of whom 25 were selected for full exome and RNA-sequencing. Unsupervised consensus and hierarchical clustering of RNA-sequencing identified 3 groups, A, B and C. Group A was mainly enriched in genes that play a crucial role in both normal development and stemcellness, notably LHX8, LRRN1, LGR5, BMP5 and FGFR2. Group B was strongly enriched in genes involved in immunity, including MARCO, TIMD4, TIGIT, CD27, IFNG, CD8B, PDCD1, CD3D and IDO1, but also DKK1. Group C was too small to be analyzed with sufficient robustness. This classification was confirmed on an independent cohort of 41 UPS from TCGA consortium. We found a high correlation between gene expression and protein density by IHC on related tumor sample slides for CD8, PD-1 and IDO1, leading to call group B ‘immune-high’ and group A ‘immune-low’. In an independent validation cohort of 110 UPS patients, CD8 expression was significantly associated with metastase-free survival (p = 0.04). Copy numbers variations were significantly more frequent in the immune-low group. Main recurrent events were deletions, notably in PTEN, RB1, FANCA, FAS, CDKN2A, TP53, AXIN1, NF2 and BRCA2. Proteomic analysis allowed us to detect two main proteomic groups - PA and PB – that highly correlated with the two main transcriptomic groups - A and B. Group PB was significantly enriched in immune response pathways, whereas group PA was enriched in MYC targets and epithelial-mesenchymal transition pathways. We then further developed cell lines and PDX models from patient tumor samples included in the molecular profiling study for each class, A, B, C. We showed robust in vitro and in vivo anti-tumor activity of FGFR inhibitor JNJ-42756493 in cell lines and PDX models from group A, selectively. We also showed in vitro activity of three potent dual inhibitors of BET-proteins CBP/P300, CPI637, NEO1132 and NEO2734, in cell lines from group A, selectively. Finally, we showed that a set of 9 radiomic features from basic MRI conventional sequences correlated well with our UPS molecular classification and provided the basis for a radiomics signature that could select immune-high UPS on their pretherapeutic imaging. This study is the first to give a comprehensive genomic, immuno-phenotypic, proteomic and radiomic landscape of non-pretreated primary UPS. We identified two main groups of UPS with therapeutics potential: the immunehigh group, strongly inflamed and probably the best candidate for immunotherapy, and the immune-low group, with a rational for FGFR and BET inhibitors activity in this one

La caractérisation non-invasive des gliomes fait partie de la médecine personalisée, aidant ainsi les cliniciens à prendre des décisions optimales pour améliorer la survie des patients tout en préservant leur qualité de vie. Dans ce contexte, l’imagerie moléculaire Tomographie par Emission de Positons (TEP) avec des radiotraceurs marqués aux acides aminés tels que la 18F-FDOPA, est actuellement recommandée par les groupes d’experts internationaux comme un complément à l’imagerie par résonance magnétique conventionnelle. Les progrès dans l’analyse d’images sont désormais axés sur la quantification de l’hétérogénéité tumorale par une analyse radiomique. Cependant, cette analyse a principalement été appliquée à des images statiques, en ignorant la dimension temporelle. Au contraire, l’analyse dynamique enregistre les variations temporelles du métabolisme tumoral, enrichissant ainsi l’évaluation statique. Malgré les résultats prometteurs des paramètres dynamiques à l’échelle de la région pour le diagnostic initial, leur efficacité dans la détection des récidives a été peu étudiée, avec certaines limitations identifiées pour cette indication. Cette thèse étudie donc l’analyse radiomique des images TEP dynamiques à l’échelle du voxel, en utilisant l’apprentissage automatique pour identifier des biomarqueurs d’intérêt dans les gliomes. La dimension temporelle de l’analyse radiomique a pu être étudiée à deux niveaux : en suivant la cinétique du métabolisme tumoral à partir d’une seule acquisition TEP dynamique, et en évaluant les variations métaboliques chez un même patient lors d’examens répétés dans le temps. Dans un premier temps, ce travail a évalué l’impact de l’application d’une fonction d’étalement du point sur l’analyse dynamique à l’échelle du voxel. Par la suite, une première analyse de la dimension temporelle a été étudiée avec une analyse radiomique effectuée à partir d’une seule image TEP dynamique. L’apport de cette analyse pour la détection des récidives de gliomes était faible. Par conséquent, la dimension temporelle de l’analyse radiomique a été réalisée en examinant les changements dans les caractéristiques radiomiques entre deux examens TEP consécutifs, chez des patients suivis pour gliome. Une étude de validation multicentrique a ensuite été effectuée pour évaluer l’apport de cette analyse radiomique en clinique. L’objectif était de déterminer si le modèle radiomique proposé permettait d’améliorer les performances diagnostiques des médecins dans la détection de l’agressivité des gliomes. Pour aller plus loin, l’adaptation des algorithmes d’apprentissage profond pour l’analyse de l’imagerie TEP à la 18F-FDOPA est encourageante. Cette approche pourrait offrir une flexibilité dans l’interprétabilité des modèles tout en évaluant les relations complexes entre les caractéristiques de l’imagerie TEP et le pronostic des patients
With the growing emphasis on personalized medicine, a non-invasive glioma characterization tool is essential, aiding clinicians in making optimal decisions to improve patient survival while preserving their quality of life. Medical imaging techniques such as Magnetic Resonance Imaging (MRI) and Positron Emission Tomography (PET) offer a promising solution in neuro-oncology for the non-invasive diagnosis and monitoring of gliomas. In this context, PET molecular imaging, particularly with amino acid radiotracers such as 18F-FDOPA, is currently recommended by international guidelines as an adjunct to conventional MRI. Advancements in image processing are now focused on quantifying tumor heterogeneity through the massive extraction of characteristics, known as radiomics analysis. However, this analysis has primarily been applied to static images acquired at a fixed time, ignoring the temporal dimension. In contrast, dynamic analysis offers a unique perspective by capturing the temporal variations of tumor metabolism, providing complementary information to static analysis. While region-based dynamic parameters have shown promising results for the initial diagnosis, they have limitations in detecting glioma recurrences. This thesis therefore explores the potential of machine learning-based radiomics analysis on dynamic PET acquisition at the voxel level to identify biomarkers of interest for glioma cancer indications. The temporal dimension of radiomics analysis can be addressed on two levels: by tracking the kinetics of tumor metabolism through single-time-point dynamic acquisition, and by monitoring changes in patient status over multiple examinations. Initially, this work investigated the impact of point spread function deconvolution, a common post-reconstruction technique at our institution, on voxel-based dynamic analysis. Subsequently, the first aspect of the temporal dimension was evaluated through radiomics analysis of single-time-point dynamic PET images at the voxel level. The prognostic value of this analysis for glioma recurrence detection was modest. Therefore, the temporal dimension of radiomics analysis was further explored by examining changes in radiomics features between two consecutive PET scans, aiming to monitor the post-treatment status of patients with glioma. A multicenter validation study was then conducted to assess the potential of integrating radiomics analysis into clinical practice. The objective was to investigate the impact of an explainable radiomics model on the diagnostic performance of physicians in determining the aggressiveness of suspected gliomas at the initial diagnosis. To go further, the feasibility of adapting deep learning algorithms to the analysis of 18F-FDOPA PET imaging is encouraging. This approach could provide greater flexibility in model explainability while capturing the complex relationships between PET imaging features and patient outcomes

Le diagnostic du gliome infiltrant du tronc cérébral (GITC) chez les enfants est l'un des plus éprouvants en oncologie pédiatrique. Malgré de nombreux essais cliniques explorant divers traitements, le pronostic reste sombre, la plupart des patients succombant entre 9 et 11 mois après le diagnostic. Les mutations génétiques clé associées au GITC incluent H3K27M, ACVR1 et TP53. Chaque mutation a des caractéristiques distinctes, poussant les médecins à suggérer des thérapies personnalisées, soulignant l'importance d'une détection précise des mutations pour guider le traitement. Situées dans la région cruciale du tronc cérébral, les tumeurs GITC présentent des risques significatifs liés à la biopsie en raison de potentiels dommages neurologiques. L'IRM est une méthode indispensable pour le diagnostic de ces tumeurs, évaluant leur extension et permettant de mesurer l'évolution de la maladie au cours de la thérapie. Une prédiction des mutations, combinée à l'identification des patients survivant plus de deux ans, pourrait améliorer la thérapie proposée à ces patients. Dans ce contexte, la radiomique transforme les images en vastes sources de données, extrayant des caractéristiques comme la forme et la texture pour aider à la prise de décision. L'objectif de cette thèse est de prédire les principales mutations génétiques et d'identifier les survivants à long terme, en mettant l'accent sur la normalisation des images et l'applicabilité des modèles radiomiques. Notre étude a utilisé une base de données rétrospective de l'Institut Gustave Roussy, comprenant les données IRM de 80 patients et leurs données cliniques respectives. Les données d'IRM ont mis en évidence des problèmes pour les études radiomiques, tels que l'inhomogénéité du champ de biais et l'effet "scanner". Pour répondre à ces défis, un pipeline de normalisation d'images IRM a été mis en place, et les caractéristiques radiomiques ont été harmonisées par la méthode ComBat. Pour faire face au problème de modalités manquantes dans l'ensemble de données, une stratégie multi-modèles a été employée, conduisant à 16 modèles distincts reposant sur diverses combinaisons de caractéristiques radiomiques et cliniques. Cette approche a ensuite été rationalisée en une méthode multimodale, réduisant le nombre de modèles à cinq, après une phase de sélection de caractéristiques indépendantes. Les résultats de l'approche multimodale se sont avérés être prometteurs. Cette stratégie multimodale a été essentielle pour identifier les patients survivant plus de deux ans et a été complétée par l'approche ICARE pour une analyse de survie détaillée
The diagnosis of diffuse intrinsic pontine glioma (DIPG) in children stands as one of the most harrowing within pediatric oncology. Despite numerous clinical trials exploring various treatments, the prognosis remains bleak, with most patients succumbing between 9 to 11 months post-diagnosis. Key gene mutations linked to DIPG include H3K27M, ACVR1, and TP53. Each mutation has distinct characteristics, leading physicians to suggest tailored therapies, underscoring the importance of accurate mutation detection in guiding treatment. Located in the crucial region of the brainstem, the pons, DIPG tumors pose significant biopsy risks due to potential neurological damage. Hence, MRI could become a primordial diagnostic tool for these tumors, assessing their spread and gauging therapy responses. Its use to predict accurate gene mutation, and identify long-term survivors, could enhance patient care significantly. Within this framework, radiomics transforms images into vast data sources, extracting features like shape and texture to aid decision-making. The objective of this thesis is to refine mutation prediction and pinpoint long-term survivors, emphasizing image normalization and the applicability of radiomic models. Our study utilized a retrospective database from Gustave Roussy Institute, encompassing 80 patients MRI data and their respective clinical data. These MRI images highlighted issues in radiomic studies, such as bias field inhomogeneity and the "scanner effect". To address these challenges, a dedicated MR image normalization pipeline was implemented, and radiomic features underwent ComBat harmonization. Given the dataset's missing modalities, a multi-model strategy was employed, leading to 16 distinct models based on various radiomic and clinical feature combinations. This approach was then streamlined into a multi-modal method, reducing the number of models to five. The results from the ensemble of these models proved to be the most promising. This multi-modal strategy incorporated a feature selection phase, pinpointing the most pertinent features. Additionally, this method was applied to identify long-term survivors and was complemented by the ICARE framework for a nuanced survival analysis output

L'évolution de la texture ou de la forme d'une tumeur à l'imagerie médicale reflète les modifications internes dues à la progression (naturelle ou sous traitement) d'une lésion tumorale. Dans ces travaux nous avons souhaité étudier l'apport des caractéristiques delta-radiomiques pour prédire l'évolution de la maladie. Nous cherchons à fournir un pipeline complet de la reconstruction des lésions à la prédiction, en utilisant seulement les données obtenues en routine clinique.Tout d'abord, nous avons étudié un sous ensemble de marqueurs radiomiques calculés sur IRM, en cherchant à établir quelles conditions sont nécessaires pour assurer leur robustesse. Des jeux de données artificiels et cliniques nous permettent d'évaluer l'impact de la reconstruction 3D des zones d'intérêt et celui du traitement de l'image.Une première analyse d'un cas clinique met en évidence des descripteurs de texture statistiquement associés à la survie sans évènement de patients atteints d'un carcinome du canal anal dès le diagnostic.Dans un second temps, nous avons développé des modèles d'apprentissage statistique. Une seconde étude clinique révèle qu'une signature radiomique IRM en T2 à trois paramètres apprise par un modèle de forêts aléatoires donne des résultats prometteurs pour prédire la réponse histologique des sarcomes des tissus mous à la chimiothérapie néoadjuvante.Le pipeline d'apprentissage est ensuite testé sur un jeu de données de taille moyenne sans images, dans le but cette fois de prédire la rechute métastatique à court terme de patientes atteinte d'un cancer du sein. La classification des patientes est ensuite comparée à la prédiction du temps de rechute fournie par un modèle mécanistique de l'évolution des lésions.Enfin nous discutons de l'apport des techniques plus avancées de l'apprentissage statistique pour étendre l'automatisation de notre chaîne de traitement (segmentation automatique des tumeurs, analyse quantitative de l'oedème péri-tumoral)
Tumor shape and texture evolution may highlight internal modifications resulting from the progression of cancer. In this work, we want to study the contribution of delta-radiomics features to cancer-evolution prediction. Our goal is to provide a complete pipeline from the 3D reconstruction of the volume of interest to the prediction of its evolution, using routinely acquired data only.To this end, we first analyse a subset of MRI(-extracted) radiomics biomarquers in order to determine conditions that ensure their robustness. Then, we determine the prerequisites of features reliability and explore the impact of both reconstruction and image processing (rescaling, grey-level normalization). A first clinical study emphasizes some statistically-relevant MRI radiomics features associated with event-free survival in anal carcinoma.We then develop machine-learning models to improve our results.Radiomics and machine learning approaches were then combined in a study on high grade soft tissu sarcoma (STS). Combining Radiomics and machine-learning approaches in a study on high-grade soft tissue sarcoma, we find out that a T2-MRI delta-radiomic signature with only three features is enough to construct a classifier able to predict the STS histological response to neoadjuvant chemotherapy. Our ML pipeline is then trained and tested on a middle-size clinical dataset in order to predict early metastatic relapse of patients with breast cancer. This classification model is then compared to the relapsing time predicted by the mechanistic model.Finally we discuss the contribution of deep-learning techniques to extend our pipeline with tumor automatic segmentation or edema detection

Au-delà des techniques conventionnelles de diagnostic et de suivi du cancer, l’analyse radiomique a pour objectif de permettre une médecine plus personnalisée dans le domaine de la radiothérapie, en proposant une caractérisation non invasive de l’hétérogénéité tumorale. Basée sur l’extraction de paramètres quantitatifs avancés (histogrammes des intensités, texture, forme) issus de l’imagerie multimodale, cette technique a notamment prouvé son intérêt pour définir des signatures prédictives de la réponse aux traitements. Dans le cadre de cette thèse, des signatures de la récidive des cancers du col utérin ont notamment été développées, à partir de l’analyse radiomique seule ou en combinaison avec des biomarqueurs conventionnels, apportant des perspectives majeures dans la stratification des patients pouvant aboutir à une adaptation spécifique de la dosimétrie.En parallèle de ces études cliniques, différentes barrières méthodologiques ont été soulevées, notamment liées à la grande variabilité des protocoles et technologies d’acquisition des images, qui entraîne un biais majeur dans les études radiomiques multicentriques. Ces biais ont été évalués grâce à des images de fantômes et des images multicentriques de patients pour l’imagerie TEP, et deux méthodes de correction de l’effet de stratification ont été proposées. En IRM, une méthode de standardisation des images par harmonisation des histogrammes a été évaluée dans les tumeurs cérébrales.Pour aller plus loin dans la caractérisation de l’hétérogénéité intra-tumorale et permettre la mise en œuvre d’une radiothérapie personnalisée, une méthode d’analyse locale de la texture a été développée. Adaptée particulièrement aux images IRM de tumeurs cérébrales, ses capacités à différencier des sous-régions de radionécrose ou de récidive tumorale ont été évaluées. Dans ce but, les cartes paramétriques d’hétérogénéité ont été proposées à des experts comme des séquences IRM additionnelles.À l’issue de ce travail, une validation dans des centres extérieurs des modèles développés, ainsi que la mise en place d’essais cliniques intégrant ces méthodes pour personnaliser les traitements seront des étapes majeures dans l’intégration de l’analyse radiomique en routine clinique
Beyond the conventional techniques of diagnosis and follow-up of cancer, radiomic analysis allows to personalize radiotherapy treatments, by proposing a non-invasive characterization of tumor heterogeneity. Based on the extraction of advanced quantitative parameters (histograms of intensities, texture, shape) from multimodal imaging, this technique has notably proved its interest in determining predictive signatures of treatment response. During this thesis, signatures of cervical cancer recurrence have been developed, based on radiomic analysis alone or in combination with conventional biomarkers, providing major perspectives in the stratification of patients that can lead to dosimetric treatment plan adaptation.However, various methodological barriers were raised, notably related to the great variability of the protocols and technologies of image acquisition, which leads to major biases in multicentric radiomic studies. These biases were assessed using phantom acquisitions and multicenter patient images for PET imaging, and two methods enabling a correction of the stratification effect were proposed. In MRI, a method of standardization of images by harmonization of histograms has been evaluated in brain tumors.To go further in the characterization of intra-tumor heterogeneity and to allow the implementation of a personalized radiotherapy, a method for local texture analysis has been developed. Specifically adapted to brain MRI, its ability to differentiate sub-regions of radionecrosis or tumor recurrence was evaluated. For this purpose, parametric heterogeneity maps have been proposed to experts as additional MRI sequences.In the future, validation of the predictive models in external centers, as well as the establishment of clinical trials integrating these methods to personalize radiotherapy treatments, will be mandatory steps for the integration of radiomic in the clinical routine

Nous avons développé un système de diagnostic assisté par ordinateur (CAD) basé sur des régions d'intérêt pour caractériser le cancer de la prostate avec un grade de l'International Society of Urological Pathology (ISUP) ≥2 lors d'une IRM multiparamétrique (IRM-mp). Les paramètres de l'image provenant de 2 jeux de données multi-constructeurs de 265 IRM pré-prostatectomie et 112 IRM pré-biopsie ont été combinés en utilisant la régression logistique. Les meilleurs modèles contenaient le 2e percentile d’ADC (ADC2) et le taux de rehaussement normalisé (WI) dans la zone périphérique (ZP) et le 25e percentile d'ADC (ADC25) dans la zone de transition (ZT). Ils ont été associés dans le système CAD. Le CAD a été évalué rétrospectivement sur 2 jeux de données multi-constructeurs contenant respectivement 158 et 105 IRM pré-biopsie de notre institution (test interne) et d'une autre institution (test externe). Deux radiologues ont indépendamment décrit les lésions ciblées par la biopsie. Le score PI-RADSv2 (Prostate Imaging-Reporting and Data System version 2) attribué prospectivement lors de la biopsie et le score CAD ont été comparés aux résultats de la biopsie. A l’échelle des patients, les aires sous la courbe Receiver Operating Characteristic (AUC) du score PI-RADSv2 étaient de 82% (IC 95% : 74-87) et 85% (IC 95% : 79-91) dans les jeux de données de test interne et externe respectivement. Pour les deux radiologues, le score CAD avait des AUC similaires dans les jeux de données interne (82%, IC 95% : 76-89, p=1 ; 84%, IC 95% : 78-91, p=1) et externe (82%, IC 95% : 76-89, p=0.82 ; 86%, IC 95% : 79-93, p=1). La combinaison du PI-RADSv2 et du CAD aurait pu éviter 41 à 52% des biopsies tout en manquant 6 à 10% des cancers ISUP≥2. Le système CAD a confirmé sa robustesse dans une étude multicentrique impliquant 22 scanners et des protocoles d'imagerie très hétérogènes. Dans l'analyse par patient, le CAD et le PI-RADSv2 avaient des performances similaires en termes d’AUC (76%, IC 95% : 70-82 contre 79%, IC 95% : 73-86 ; p=0.34) et de sensibilité (86%, IC 95% : 76-96 contre 89%, IC 95% : 79-98 pour le PI-RADSv2≥4). La spécificité du CAD (62%, IC 95% : 53-70 contre 49% ; IC 95% : 39-59 pour le PI-RADSv2≥4) permettait une complémentarité avec le score PI-RADSv2 pour potentiellement éviter 50% des biopsies, tout en manquant 13% des cancers ISUP≥2. Ces résultats étaient similaires à ceux rapportés dans les cohortes de test issues d’un unique centre et ont ouvert la voie à de nouvelles applications du CAD. Le CAD a d’abord permis une bonne discrimination des cancers ISUP≥2 chez des patients placés en surveillance active. Son AUC (80% ; IC 95% : 74-86) était similaire à celle du score PI-RADSv2 attribué prospectivement par des uro-radiologues spécialisés (81%, IC 95% : 74-87 ; p=0.96). Le CAD était plus spécifique que les scores PI-RADS≥3 (p<0.001) et PI-RADS≥4 (p<0.001). Il pourrait offrir une solution pour sélectionner les patients pouvant éviter sans risque une biopsie de confirmation ou de suivi dans le cadre de leur surveillance active (25%). Il manquerait alors 5% des cancers ISUP≥2. Le CAD a enfin été confronté aux IRM-mp pré-prostatectomie de 56 patients japonais, issus d’une population qui est géographiquement éloignée de sa population d’entraînement et qui intéresse de par ses faibles taux d’incidence et de mortalité du cancer de la prostate. Son AUC était alors similaire au score PI-RADSv2 attribué par un radiologue expérimenté dans la ZP (80%, IC 95% : 71-90 contre 80%, IC 95% : 71-89 ; p=0.886) et dans la ZT (79%, IC 95% : 66-90 contre 93%, 95%CI : 82-96 ; p=0.051). Ces résultats prometteurs et robustes sur des jeux de données hétérogènes suggèrent que le CAD pourrait être utilisée dans la routine clinique quotidienne comme un second lecteur pour aider à sélectionner les patients pouvant éviter la biopsie en toute sécurité. Ce CAD pourrait aider les lecteurs moins expérimentés à caractériser les lésions de la prostate
We developed a region of interest-based (ROIs) computer-aided diagnosis system (CAD) to characterize International Society of Urological Pathology grade (ISUP) ≥2 prostate cancers at multiparametric MRI (mp-MRI). Image parameters from two multi-vendor datasets of 265 pre-prostatectomy and 112 pre-biopsy MRIs were combined using logistic regression. The best models used the ADC 2nd percentile (ADC2) and normalized wash-in rate (WI) in the peripheral zone (PZ) and the ADC 25th percentile (ADC25) in the transition zone (TZ). They were combined in the CAD system. The CAD was retrospectively assessed on two multi-vendor datasets containing respectively 158 and 105 pre-biopsy MRIs from our institution (internal test dataset) and another institution (external test dataset). Two radiologists independently outlined lesions targeted at biopsy. The Prostate Imaging-Reporting and Data System version 2 (PI-RADSv2) score prospectively assigned at biopsy and the CAD score were compared to biopsy findings. At patient level, the areas under the Receiver Operating Characteristic curve (AUC) of the PI-RADSv2 score were 82% (95% CI: 74-87) and 85% (95% CI: 79-91) in the internal and external test datasets respectively. For both radiologists, the CAD score had similar AUC results in the internal (82%, 95% CI: 76-89, p=1; 84%, 95% CI: 78-91, p=1) and external (82%, 95% CI: 76-89, p=0.82; 86%, 95% CI: 79-93, p=1) test datasets. Combining PI-RADSv2 and CAD findings could have avoided 41-52% of biopsies while missing 6-10% of ISUP≥2 cancers. The CAD system confirmed its robustness showing good discrimination of ISUP ≥2 cancers in a multicentric study involving 22 different scanners with highly heterogeneous image protocols. In per patient analysis, the CAD and the PI-RADSv2 had similar AUC values (76%, 95% CI: 70-82 vs 79%, 95% CI: 73-86; p=0.34) and sensitivities (86%, 95% CI: 76-96 vs 89%, 95% CI: 79-98 for PI-RADSv2 ≥4). The specificity of the CAD (62%, 95% CI: 53-70 vs 49%, 95% CI: 39-59 for PI-RADSv2 ≥4) could be used to complement the PI-RADSv2 score and potentially avoid 50% of biopsies, while missing 13% of ISUP ≥2 cancers. These findings were very similar to those reported in the single center test cohorts. Given its robustness, the CAD could then be exploited in more specific applications. The CAD first provided good discrimination of ISUP ≥2 cancers in patients under Active Surveillance. Its AUC (80%, 95% CI: 74-86) was similar to that of the PI-RADS score prospectively assigned by specialized uro-radiologists at the time of biopsy (81%, 95% CI: 74-87; p=0.96). After dichotomization, the CAD was more specific than the PI-RADS ≥3 (p<0.001) and the PI-RADS ≥4 scores (p<0.001). It could offer a solution to select patients who could safely avoid confirmatory or follow-up biopsy during Active Surveillance (25%), while missing 5% of ISUP≥2 cancers. Finally, the CAD was tested with the pre-prostatectomy mp-MRIs of 56 Japanese patients, from a population which is geographically distant from its training population and which is of interest because of its low prostate cancer incidence and mortality. The CAD obtained an AUC similar to the PI-RADSv2 score assigned by an experience radiologist in the PZ (80%, 95% CI: 71-90 vs 80%, 95% CI: 71-89; p=0.886) and in the TZ (79%, 95% CI: 66-90 vs 93%, 95%CI: 82-96; p=0.051). These promising and robust results across heterogeneous datasets suggest that the CAD could be used in clinical routine as a second opinion reader to help select the patients who could safely avoid biopsy. This CAD may assist less experience readers in the characterization of prostate lesions

Le cancer du sein est une pathologie fréquente pour lequel les examens TEP/TDM au ¹⁸F-FDG et IRM mammaire sont fréquemment réalisés en routine. Il existe cependant une sous-utilisation des informations apportées par chacune de ces techniques d'imagerie. En pratique, l’interprétation de ces examens est principalement basée sur l’analyse visuelle et l'analyse « quantitative » se résume généralement au SUVmax seul en TEP/TDM et à l’étude du rehaussement du signal après injection de produit de contraste en IRM mammaire (DCE-MRI). L’arrivée de nouvelles machines hybrides TEP/ IRM, nous a amené à évaluer l'apport d’une quantification avancée des images issues de chacune de ces modalités séparément et en combinaison. Cela rejoint un domaine en expansion « la radiomique » qui consiste à extraire un grand nombre de caractéristiques quantitatives des images médicales pour décrypter l’hétérogénéité tumorale ou améliorer la prédiction du pronostic.L’objectif de notre travail était d’étudier l’apport des données radiomiques extraites de l’imagerie TEP au ¹⁸F-FDG et de l’IRM avec injection de produit de contraste réalisées avant traitement pour caractériser l’hétérogénéité tumorale dans le cancer du sein, en prenant en compte les différents sous-types moléculaires de cancer du sein, à savoir les tumeurs luminales (Lum A, Lum B HER2- et Lum B HER2+), triple-négatives et HER2+. Une importance particulière a été portée sur la valeur prédictive des informations radiomiques extraites de ces 2 techniques d’imagerie pour prédire le pronostic dans un groupe de patientes traitées par chimiothérapie néo-adjuvante. L’influence de variations physiologiques telles que l’âge sur le calcul des données radiomiques dans le tissu mammaire normal et cancéreux séparément a également été explorée, de même que la variabilité multicentrique des index radiomiques. L’extraction de ces données radiomiques a été effectuée grace au logiciel LiFex développé au sein du laboratoire IMIV sur une base de données-patientes recueillie en rétrospective.Nous avons rapporté pour la première fois l’influence de l’âge sur le calcul des indices « radiomiques » en TEP dans le tissu mammaire sain dans 2 institutions différentes mais aussi dans les tumeurs mammaires notamment celle triple-négatives. Des associations significatives entre le « phénotype tumoral radiomique » en imagerie TEP et IRM et des données pronostiques reconnues dans le cancer du sein ont été mises en évidence. En outre, nous avons démontré l’existence d’une grande variabilité pour le « profil radiomique » en TEP parmi les tumeurs présentant le même sous-type moléculaire. Cela suggére l’existence d’informations non-redondantes au sein du « phénotype tumoral métabolique » de chaque tumeur mammaire défini par les données radiomiques. L’exploration de cette variabilité s’est révélée intéressante pour améliorer la prédiction de la réponse histologique chez les patientes avec des tumeurs triple-négatives traitées par chimiothérapie néo-adjuvante. Par ailleurs, les mesures effectuées dans la région mammaire péri-tumorale chez les patientes traitées par chimiothérapie néo-adjuvante se sont montrées prédictives pour les patientes avec des tumeurs Lum B HER2-. En IRM nous avons montré l’importance de standardiser la méthode de mesure des caractéristiques radiomiques. Nous avons observé que les caractéristiques radiomiques issues des images DCE-MRI étaient moins associées aux caractéristiques moléculaires des tumeurs et avaient une valeur prédictive moindre. Nous avons également proposé une nouvelle méthode relativement standardisée pour le calcul des données radiomiques en IRM mammaire avec des résultats intéressants mais cette méthode doit encore être optimisée. Cependant, nos résultats suggèrent que les données extraites de la totalité du volume tumorale en IRM compléteraient efficacement les caractéristiques radiomiques TEP et le sous-type moléculaire pour prédire la réponse à la chimiothérapie néo-adjuvante
Breast cancer is a common disease for which ¹⁸F-FDG PET/CT and breast MRI are frequently performed in routine practice. However, the different information provided by each of these imaging techniques are currently under-exploited. Indeed, in routine the interpretation of these scans is mainly based on visual analysis whereas the « quantitative » analysis of PET/CT data is generally limited to the sole use of the SUVmax while in breast MRI, simple parameters to characterize tumor enhancement after injection of contrast medium are used. The advent of PET/MRI machines, calls for an evaluation of the contribution of a more advanced quantification of each of the modalities separately and in combination in the setting of breast cancer. This is along with the concept of « Radiomics » a field currently expanding and which consists in extracting many quantitative characteristics from medical images used in clinical practice to decipher tumor heterogeneity or improve prediction of prognosis. The aim of our work was to study the contribution of radiomic data extracted from ¹⁸F-FDG PET and MRI imaging with contrast injection to characterize tumor heterogeneity in breast cancer taking into account the different molecular subtypes of breast cancer, namely luminal (Lum A, Lum B HER2- and Lum B HER2 +), triple-negative and HER2 + tumors. In this context, we focused on the prediction of prognosis in patients treated with neo-adjuvant chemotherapy. The influence of physiological variations such as age on the calculation of radiomic data in normal breast and breast tumors separately was also explored, as well as the multi-center variability of radioman features. Radiomic features were extracted using the LiFex software developed within IMIV laboratory. The patient database used for the studies were all retrospective data. We reported for the first time the influence of age on the values of radiomic features in healthy breast tissue in patients recruited from 2 different institutions but also in breast tumors especially those with a triple-negative subtype. Similarly, significant associations between the radiomic tumor phenotype in PET and MRI imaging and well-established prognostic factors in breast cancer have been identified. In addition, we showed a large variability in the PET « radiomic profile » of breast tumors with similar breast cancer subtype suggesting complementary information within their metabolic phenotype defined by radiomic features. Moreover, taking into account this variability has been shown to be of particular interest in improving the prediction of pathological response in patients with triple-negative tumors treated with neoadjuvant chemotherapy. A peri-tumoral breast tissue region satellite to the breast tumor was also investigated and appeared to bear some prognostic information in patients with Lum B HER2- tumors treated with neoadjuvant chemotherapy. In MR, we demonstrated the need to harmonize the methods for radiomic feature calculation. Overall, we observed that radiomic features derived from MR were less informative about the molecular features of the tumors than radiomic features extracted from PET data and were of lower prognostic value. Yet, the combination of the enhanced tumor volume in MR with a PET radiomic feature and the tumor molecular subtype yielded enhanced the accuracy with which response to neoadjuvant therapy could be predicted compared to features from one modality only or molecular subtype only