Le machine learning pour prédire le risque de récidive de CHC à partir des images IRM

L’éligibilité à la transplantation hépatique, pour les patients présentant un Carcinome Hépato-Cellulaire (CHC) à un stade précoce, est souvent liée au risque de récidive. Une étude germano-américaine publiée dans l’American Journal of Roentgenology (AJR) évalue un modèle de machine learning élaboré pour prédire de risque de récidive à partir de la clinique et de l’imagerie IRM.

Pouvoir prédire le risque de récidive du CHC pour les patients éligibles à la greffe de foie

« Les résultats suggèrent que les modèles basés sur le machine learning peuvent prédire la récidive avant l'attribution du traitement chez les patients atteints d'un CHC à un stade précoce et initialement éligibles pour une greffe de foie », se réjouit l'auteur correspondant de cette étude, le Dr Julius Chapiro, du département de radiologie et d'imagerie biomédicale de la Yale University School of Medicine à New Haven – Connecticut, USA -.

Cette étude de proof of concept a inclus 120 patients (88 hommes, 32 femmes ; âge médian : 60 ans) ayant reçu un diagnostic de CHC à un stade précoce entre juin 2005 et mars 2018 qui étaient initialement éligibles à une greffe du foie et ont suivi un traitement par greffe, résection ou ablation thermique. Les patients ont subi une IRM avant le traitement et une surveillance par imagerie après le traitement. Les signes radiologiques ont été extraites des phases post-contraste des examens IRM avant le traitement et ont été traitées par un réseau neuronal convolutif pré-entraîné.

Un modèle de machine learning efficace à partir des images d’IRM

Les caractéristiques cliniques de prétraitement (parmi lesquelles les données de laboratoire) et les caractéristiques d'imagerie extraites ont été intégrées pour développer trois modèles ML - clinique, imagerie, combiné - pour la prédiction de la récidive dans les 1 à 6 ans suivant le traitement.

Au final, les trois modèles ont prédit la récidive post-traitement du CHC à un stade précoce à partir de la clinique de prétraitement (AUC 0,60-0,78, sur les six périodes), de l'IRM (AUC 0,71-0,85) et des deux données combinées (AUC 0,62-0,86). L'utilisation des données d'imagerie comme seule entrée du modèle a donné des performances prédictives plus élevées que les données cliniques seules ; cependant, la combinaison des deux types de données n'a pas amélioré de manière significative les performances par rapport à l'utilisation des seules données d'imagerie.