Quand IRM et IA permettent de caractériser les sous-types moléculaires HER2
LUNDI 21 OCTOBRE 2024
Soyez le premier à réagirLa caractérisation HER2 des lésions mammaires peut différer selon la méthode de biopsie utilisée. Du deep learning radiomique appliqué à l’IRM multiparamétrique est capable d’identifier les sous-types moléculaires, ce qu’une étude publiée dans l'American Journal of Roentgenology (AJR) tente de confirmer, notamment en expliquant la méthodologie d’identification des sous-types moléculaires par deep learning radiomique.
La prise en charge actuelle du cancer du sein se concentre principalement sur les caractéristiques pathologiques traditionnelles, en mettant l'accent sur l'expression du récepteur des œstrogènes (ER), du récepteur de la progestérone (PR) et de HER2.
Une caractérisation HER2 pouvant différer selon la méthode de biopsie
L'expression de HER2, évaluée par coloration immunohistochimique (IHC) et hybridation fluorescente in situ (FISH), classe les lésions en HER2-négatif, générant des traitements en fonction de leurs statuts ER, HER2-positif ou HER2-low, de plus en plus reconnu comme un nouveau sous-type moléculaire du cancer du sein avec caractéristiques biologiques uniques.
Mais il se trouve que l'expression de HER2 déterminée par biopsie à l'aiguille peut ne pas correspondre à celle déterminée par biopsie chirurgicale en raison d'un biais d'échantillonnage, ce qui entrainerait des résultats sous-optimaux en termes de traitement. En conséquence, un outil non invasif précis pour une classification complète de l’expression de HER2 à trois niveaux (HER2-zéro, HER2-faible, HER2-positif) reste nécessaire.
Du deep learning radiomique appliqué à l’IRM multiparamétrique pour identifier les sous-types moléculaires
Des algorithmes d’intelligence artificielle (IA) pour l’analyse d’IRM du sein sont susceptibles de palier à ce biais. Des modèles de deep learning radiomique pour l’IRM multiparamétriques (MpMRI) arrivent ainsi à différentier l'expression de HER2 à trois niveaux, atteignant des AUC allant de 0,63 à 0,82 dans des ensembles de validation. Il ne reste plus qu’à comprendre comment ces modèles parviennent à leurs prédictions.
SHapley Additive exPlanation (SHAP) est une méthode d'interprétation dérivée de la théorie des jeux qui propose des interprétations locales et globales des modèles d'IA. La technique peut fournir une évaluation impartiale de la contribution de chaque variable aux performances du modèle parmi des variables qui ne sont pas entièrement indépendantes. SHAP a déjà été utilisé pour améliorer l'interprétabilité des modèles basés sur l'imagerie afin d'identifier les sous-types moléculaires du cancer du sein et le risque de métastases des ganglions lymphatiques sentinelles.
Des chercheurs tentent d’expliquer la méthodologie d’identification du deep learning radiomique
Une étude chinoise publiée dans l’American Journal of Roentgenology (AJR) se propose de développer et de tester des modèles de deep learning radiomique pour l’IRM multiparamétrique pour différencier les niveaux d’expression de HER2 à trois niveaux chez les patientes atteintes d’un cancer du sein, et d’expliquer les contributions des caractéristiques du modèle par le biais d’interprétations locales et globales à l’aide de l’analyse SHAP.
« L’étude fournit un exemple d’utilisation de l’analyse d’interprétation SHAP pour mieux comprendre les prédictions des modèles de deep learning basés sur l’imagerie, explique l’auteur correspondant, le Pr Yuan Guo, du département de radiologie du Guangzhou First People’s Hospital à Guangdong (Chine). Les présentations visuelles des analyses SHAP globales et locales peuvent fournir un modèle pour présenter des données complexes issues de futures études de radiomique dans un format accessible. »
L’expression d’HER2 par radiomique MpMRI comparée aux résultats de la biopsie
Cette étude a inclus 737 patientes (âge moyen, 54,1 ans) atteintes d’un cancer du sein provenant de deux centres (centre 1 : n=578 ; centre 2 : n=159), qui ont fait l’objet d’une IRM mammaire et dont l’expression HER2 a été déterminée après une biopsie chirurgicale. L'analyse comportait deux tâches : différencier les tumeurs HER2-négatives (c'est-à-dire HER2-zéro ou HER2-faible) des tumeurs HER2-positives (tâche 1) et différencier les tumeurs HER2-zéro des tumeurs HER2-faibles (tâche 2).
Pour chaque tâche, les patientes du centre 1 ont été assignées aléatoirement selon un rapport de 7:3 à des groupes d'entraînement (tâche 1 : n = 405 ; tâche 2 : n = 284) ou de test interne (tâche 1 : n = 173 ; tâche 2 : n = 122) et, d’autre part, les patientes du centre 2 ont formé un groupe de test externe (tâche 1 : n = 159 ; tâche 2 : n = 105). Les caractéristiques radiomiques ont été extraites d'images dynamiques de phase précoce avec injection de produit de contraste, d'images pondérées en T2 et d'images de diffusion.
Enfin, lors de tests externes, le score radiomique mpMRI a fourni une AUC permettant de différencier les tumeurs HER2-négatives des tumeurs HER2-positives de 0,757 et les tumeurs HER2-zéro des tumeurs HER2-faible de 0,754.
Paco Carmine