Revue des approches pour la classification radiomique des nodules indéterminés en TDM
MARDI 24 OCTOBRE 2023
Soyez le premier à réagirLa classification, par les algorithmes radiomiques, des nodules non déterminés en tomodensitométrie thoracique pose problème, au sein de la communauté radiologique. Une revue des approches actuelles d’analyse d’images pour cette classification fait l’objet d’un article récent publié dans la Revue Radiology.
La mise en œuvre de la tomodensitométrie (TDM) thoracique à faible dose (LDCT) pour le dépistage pulmonaire présente une opportunité cruciale de faire progresser les soins du cancer du poumon grâce à une détection précoce. En outre, des millions de nodules pulmonaires sont détectés accidentellement chaque année, augmentant ainsi les possibilités de diagnostic précoce du cancer du poumon.
Des pratiques d’acquisition des TDM thoraciques hétérogènes qui n’aident pas à formaliser les méthodes d’apprentissage des algorithmes
Les défis méthodologiques actuellement rencontrés dans la traduction des aides à la décision dans la pratique clinique, ainsi que les obstacles techniques liés aux paramètres d'imagerie hétérogènes, à la sélection optimale des caractéristiques, au choix du modèle et à la nécessité d'ensembles de données d'images bien annotés à des fins de formation et de validation, font l'objet de travaux spécifiques, en vue de l'intégration ultime de ces aides à la décision potentiellement puissantes dans la pratique clinique de routine.
En 2011, le National Lung Screening Trial (NLST) a démontré un bénéfice de 20 % en termes de mortalité après trois dépistages annuels par LDCT sur la radiographie thoracique. Ce résultat a montré que la LDCT permet la détection du cancer du poumon à des stades plus précoces et plus traitables chez les personnes qui fument et présentent un risque élevé de cancer du poumon. Les résultats ultérieurs de l'essai NELSON (Nederlands – Leuvens Longkanker Screenings Onderzoek) et une analyse de la mortalité sur 10 ans dans l'essai multicentrique italien de détection pulmonaire ont également confirmé des bénéfices de mortalité par cancer du poumon de 27 % à 39 % chez les individus dépistés par LDCT.
L’épineux cas des nodules pulmonaires indéterminés à la TDM
Malgré les avantages du dépistage par LDCT en termes de mortalité dans les populations asymptomatiques à haut risque, la forte prévalence de nodules pulmonaires indéterminés non calcifiés inquiète les spécialistes, car elle entraine des taux élevés de faux positifs. Dans le NLST, tout nodule non calcifié ayant un diamètre transversal maximum de 4 mm ou plus était considéré comme un résultat de dépistage positif. Au cours des trois cycles de dépistage, la positivité du dépistage dans le bras NLST LDCT était de 24,2 %, mais n'était que de 16,8 % lors du dépistage final, car les nodules observés comme étant stables dans le temps pouvaient être classés comme négatifs.
L'utilisation de la tomodensitométrie a considérablement augmenté au fil du temps et a entraîné une augmentation rapide de la détection des nodules indéterminés. Bien que définis de manière variée, ces derniers sont généralement définis comme des opacités focales de 6 à 30 mm de diamètre sans schémas clairement bénin de calcification ou de graisse intralésionnelle. Déterminer lesquels sont malins parmi la grande majorité qui sont bénins est un besoin critique non satisfait qui ne fera qu'augmenter à mesure que l'utilisation de la TDM dans le diagnostic et le dépistage de routine deviendra plus courante.
Un article propose une revue des approches actuelles d’analyse d’images pour la classification de ces nodules
On sait que les caractéristiques morphologiques des nodules influencent la probabilité que les nodules soient un cancer du poumon, et ces caractéristiques ont été incorporées en tant que variables dans les modèles de prédiction diagnostique des nodules pulmonaires. Au-delà de la caractérisation sémantique des nodules indéterminés, des analyses d'images avancées utilisant des fonctionnalités radiomiques, des algorithmes d'apprentissage automatique et de deep learning sont de plus en plus utilisées pour améliorer leur classification ainsi que le pronostic et la gestion optimale des cancers du poumon nouvellement diagnostiqués. Un article publié dans la Revue Radiology propose un aperçu des approches actuelles d'analyse d'images pour affiner la classification des nodules indéterminés et le pronostic précoce du cancer du poumon dans les cancers du poumon nouvellement diagnostiqués.
L’hétérogénéité de l’acquisition et de la reconstruction de l’imagerie affecte considérablement les fonctionnalités radiomiques et d’apprentissage profond. Faute d’une convergence de la communauté radiologique sur des protocoles standardisés en pratique clinique, le défi est de normaliser les images avant l’extraction des caractéristiques ou de réduire les variations des caractéristiques extraites. Compte tenu de l’ampleur des fonctionnalités extractibles, les techniques de sélection de fonctionnalités et de réduction de dimension sont essentielles pour que les modèles d’apprentissage automatique soient appliqués en toute confiance aux nouveaux ensembles de données.
La communauté radiologique ne peut adopter ces fonctionnalités et modèles d’apprentissage automatique qu’en démontrant leur adaptation aux variations des protocoles d’acquisition, leurs contributions aux connaissances dans des contextes cliniques spécifiques et leur reproductibilité dans différentes populations de patients. De plus, il est essentiel de fournir des ensembles de données cliniques et d’images annotées, de haute qualité et accessibles au public, qui peuvent être utilisés à des fins de formation et de validation. Une fois que toutes ces conditions sont réunies, à mesure que ces algorithmes de classification deviennent compréhensibles et plausibles pour les humains, les algorithmes informatiques peuvent ouvrir la voie à des approches plus personnalisées du diagnostic et du traitement.
Bruno Benque avec RSNA