Le deep learning permet une évaluation longitudinale du Hodgkin pédiatrique

Parmi les cancers pédiatriques, le lymphome de Hodgkin est une tumeur maligne hautement curable, avec une survie à 5 ans supérieure à 90 % chez les patients recevant une chimiothérapie combinée, une radiothérapie ou un traitement combiné.

Les limites de la quantification de la charge tumorale par TEP initial dans les Hodgkin pédiatriques

Mais chez les enfants, il existe un risque important d'effets secondaires à long terme liés aux toxicités thérapeutiques, ce qui conduit les experts à réduire les doses chez les patients répondeurs précoces au traitement. C’est notamment le TEP au 18FDG qui, après deux cycles de chimiothérapie est utilisé pour la stratification du risque. Des critères d'évaluation visuelle, tels que le score de Deauville, sont à la base de cette évaluation en fonction de la lésion présentant la fixation la plus intense.

Comparées à l'évaluation qualitative, les mesures quantitatives de la TEP se sont révélées prometteuses pour orienter les stratégies de traitement du lymphome mais leur utilisation repose souvent sur une segmentation manuelle des lésions, complexe et chronophage, et limitée aux essais cliniques. Les algorithmes de deep learning (DL) pourraient surmonter cette limitation et permettre l'analyse automatique de la TEP, ce qui a été expérimenté récemment pour segmenter le lymphome. Mais les algorithmes existants se concentrent sur la quantification de la charge tumorale initiale, négligeant le rôle important de la TEP intermédiaire dans l'évaluation de la réponse.