La radiomique pour analyser le PETScan du lymphome de Hodgkin

Le lymphome de Hodgkin touche particulièrement les jeunes patients, est agressif et se propage rapidement. Il présente toutefois de bonnes chances de guérison, mais le traitement, la plupart du temps par chimiothérapie avec ou sans radiothérapie, s'accompagne souvent d'effets secondaires graves à court et à long terme.

Une solution d’IA pour déterminer la pertinence de la radiothérapie dans le traitement du lymphome de Hodgkin

Une équipe de la Division de médecine nucléaire de l'Université de médecine de l'Hôpital général (AKH) de Vienne (Autriche) travaille sur de nouvelles façons d'améliorer les diagnostics. Cofinancé par l'Austrian Science Fund FWF, le projet triennal HOLY-2020 : Individualized Therapy in Hodgkin Lymphoma les fait travailler avec des partenaires européens sur une nouvelle méthode qui combine l’imagerie de médecine nucléaire avec l'intelligence artificielle.

« Les méthodes de diagnostic actuellement utilisées pour prédire l'évolution de la maladie sont relativement grossières et imprécises. Nous utilisons des algorithmes d'intelligence artificielle pour améliorer la précision des prédictions », précise le Dr Alexander Haug, directeur adjoint du département clinique de médecine nucléaire. L'un des avantages du nouvel outil de diagnostic pourrait être de clarifier plus tôt si une radiothérapie agressive est nécessaire ou si une chimiothérapie est suffisante, augmentant ainsi la certitude que les patients reçoivent un traitement adéquat.

Un outil de radiomique testé à partir des images de PETScan

L'étalon-or actuel des diagnostics pour le lymphome de Hodgkin est le PETScan, qui objective une distribution précise des molécules de sucre radioactif, le biomarqueur injecté au patient, cartographiant ainsi la taille et la forme du lymphome. En les combinant avec des images de tomodensitométrie, il est possible de repérer la position des cellules cancéreuses dans les trois dimensions et ainsi déterminer très précisément jusqu'à quel point le cancer a progressé dans le corps. L’atteinte de certaines zones anatomiques fournit par ailleurs des indications sur les facteurs de risque et les chances de guérison.

Le Dr Haug et son équipe supposent que les images PETScan contiennent encore plus d'informations que ce qui est glané par les évaluations existantes. Par exemple, les données montrent la distribution des intensités au sein des lymphomes. Sur certains sites, un nombre beaucoup plus élevé de molécules de sucre est mesuré que sur d'autres. Les analyses des chercheurs ont révélé des dizaines de paramètres différents qui peuvent être distingués sur la base de cette distribution hétérogène. "Même l'œil averti ne peut tirer aucune conclusion sur la progression de la maladie à partir de ces schémas, confirme-t-il. Mais nous sommes convaincus que l'intelligence artificielle pourra l'utiliser pour prédire le pronostic."

Un algorithme qui tente de s’adapter aux différentes modalités de scanner

Afin de développer un système d'IA approprié, l'équipe analyse les images PETScan et les relie à l'évolution de la maladie pour chaque patient. Ces images sont ensuite analysées par les algorithmes d'auto-apprentissage en tant que données d'apprentissage. L'IA apprend ainsi les signes cliniques cachés dans les images qui sont associés à de bons ou de mauvais pronostics. Lorsqu'il est confronté à de nouvelles données d'image qui ne faisaient pas partie de la formation, conformément aux règles de la radiomùique, l'outil d'IA devrait à terme être en mesure de fournir de nouvelles évaluations pronostiques.

Dans ce projet, le Dr Haug et ses collègues de l'Université de médecine de Vienne collaborent avec des instituts de recherche à Paris et à Barcelone. Dans l'ensemble, les chercheurs ont déjà recueilli plus de 200 ensembles de données sur différentes évolutions de la maladie dans le lymphome de Hodgkin. « L'harmonisation des données est un important défi lorsque l’on a affaire à des solutions de radiomique différentes, conclut-il. Les images de différents scanners ne rendent pas les détails de manière homogène. L'ombrage des couleurs, par exemple, est toujours légèrement différent d'un scanner à l'autre. Nous devons d'abord standardiser ces propriétés dans un processus qui prend du temps. »

Ce projet, qui courra jusqu'à l'automne 2023, permettra, ou pas, de confirmer que ce processus d'IA est possible pour le suivi des lymphomes de Hodgkin et applicable en pratique.