Machine learning–based 18F-FDG PET/MR fusion radiomics for predicting EGFR mutation in lung cancer

Imaginez que vous êtes un détective tentant de résoudre un mystère à l'intérieur du corps d'un patient. Habituellement, pour découvrir quel genre de « méchant » (une mutation génétique spécifique) cause le cancer du poumon, les médecins doivent effectuer une biopsie — une procédure consistant à introduire une aiguille dans la tumeur pour prélever un minuscule fragment de tissu. C'est comme essayer d'identifier un criminel en le capturant dans une ruelle sombre pour prendre son empreinte digitale ; cela fonctionne, mais c'est invasif, effrayant pour le patient, et parfois le criminel se cache si bien que le détective repart les mains vides.

Entrez dans le monde de l'imagerie médicale, et plus précisément dans celui d'un combo de haute technologie appelé TEP/IRM. Considérez cela comme une lampe de poche surpuissante capable de voir deux choses à la fois : la forme de la tumeur (comme un sculpteur observant une statue) et la quantité d'énergie qu'elle brûle (comme une caméra thermique détectant la chaleur). Les scientifiques soupçonnent depuis longtemps que la manière dont une tumeur se présente et consomme de l'énergie pourrait receler des indices secrets sur sa composition génétique, permettant potentiellement aux médecins de se passer de l'aiguille pour simplement analyser les images. La grande question est la suivante : un ordinateur, entraîné à repérer des motifs minuscules dans ces images que l'œil humain ne peut percevoir, peut-il nous dire exactement quelle mutation génétique conduit le cancer et quelle est l'intensité de cette mutation ? C'est l'énigme que les chercheurs se sont donné pour mission de résoudre.

---

L'histoire du détective numérique

Dans cette étude, une équipe de chercheurs de l'Université Sun Yat-Sen a décidé de mettre cette idée à l'épreuve. Ils ont rassemblé 66 patients atteints de cancer du poumon qui avaient déjà subi ces scanners TEP/IRM sophistiqués. Leur objectif était de construire un « détective numérique » — un modèle d'apprentissage automatique — capable d'analyser le scanner et de prédire deux choses : premièrement, si le cancer présentait une modification génétique spécifique appelée mutation EGFR (oui ou non), et deuxièmement, à quel point cette mutation était « abondante » à l'intérieur de la tumeur (un pourcentage).

Le mystère du « Oui ou Non » : une impasse pour les caractéristiques sophistiquées
Lorsque l'équipe a tenté de prédire la question simple du « oui ou non » (Le patient possède-t-il la mutation ?), les résultats ont été un peu décevants pour l'approche de haute technologie. Ils ont découvert que l'ordinateur n'avait pas besoin de l'analyse de texture complexe et ultra-détaillée des images TEP/IRM pour résoudre ce problème. Au lieu de cela, la réponse se cachait au vu et place avec des indices basiques : le sexe du patient, la taille de la tumeur et l'aspect « irrégulier » ou accidenté de la tumeur sur l'IRM.

En fait, lorsqu'ils ont tenté d'ajouter les caractéristiques de radiomique sophistiquées (les données de texture approfondies) au modèle, cela n'a pas amélioré la prédiction. C'était comme essayer d'utiliser une carte satellite pour trouver une maison alors qu'un simple panneau de signalisation aurait suffi. L'étude a explicitement écarté l'idée que ces caractéristiques complexes de TEP/IRM offraient une valeur ajoutée pour simplement déterminer si une mutation était présente ou non. Le meilleur modèle pour cette tâche était un modèle direct basé sur des faits cliniques et des signaux IRM de base, atteignant un score de précision très élevé (un AUC de 0,906), mais l'analyse d'image sophistiquée n'apportait rien de nouveau.

Le mystère du « Combien » : un coup de maître
Cependant, l'histoire change complètement lorsque les détectives ont tenté de répondre à la seconde question : Combien de la mutation est présente ? Cela est mesuré par une « Fréquence d'Allèle Variant » (VAF), qui correspond essentiellement au pourcentage de cellules tumorales portant la mutation.

Ici, le modèle d'apprentissage automatique a brillé. En analysant les images TEP (la partie « énergie » du scanner), l'ordinateur a trouvé un motif très spécifique qui agissait comme une boule de cristal.

• Dans le groupe de patients pris dans leur ensemble, le modèle pouvait expliquer environ 68,7 % des différences dans l'abondance de la mutation.
• Les indices clés étaient l'« activité métabolique standardisée » (à quel point la tumeur est avide de sucre) et une caractéristique de texture spécifique appelée « kurtosis de l'ondelette PET LLH » (une façon complexe de décrire à quel point les points chauds d'énergie sont pointus ou concentrés).

Le jackpot de l'« Exon 21 »
La découverte la plus excitante s'est produite lorsqu'ils ont examiné un sous-groupe spécifique de patients : ceux présentant une mutation dans l'« Exon 21 » (un emplacement spécifique sur le gène). Pour ce groupe, le modèle ne fonctionnait pas seulement bien ; il était presque magique.

• Une seule caractéristique de la TEP, appelée « PET_wavelet-HGL_ngtdm_Busyness », expliquait un énorme 85,8 % de la variation de l'abondance de la mutation.
• Qu'est-ce que la « Busyness » (l'activité/l'agitation) ? Imaginez regarder une rue de ville très fréquentée depuis un hélicoptère. Si le trafic est fluide et uniforme, il est « calme ». S'il est chaotique, avec des voitures qui virent et s'arrêtent selon des motifs aléatoires et saccadés, il est « agité ». Dans la tumeur, un score de « Busyness » élevé signifie que les cellules cancéreuses brûlent de l'énergie de manière très chaotique et irrégulière. L'étude a révélé que plus la combustion de l'énergie est chaotique, plus le pourcentage de cellules porteuses de la mutation est élevé.

Ce que cela signifie (et ce que cela ne signifie pas)
Les chercheurs précisent avec prudence que bien que ces résultats soient prometteurs, ils sont encore dans une phase « exploratoire ». L'étude était de petite taille (seulement 66 patients, et encore moins pour les sous-groupes spécifiques) et a été réalisée dans un seul hôpital. Ils n'ont pas encore prouvé que cela fonctionne pour tout le monde ; ils ont seulement montré que cela suggère une forte possibilité.

L'article conclut que si l'analyse d'image sophistiquée peut ne pas aider à décider si une mutation existe (puisque les indices cliniques de base sont déjà performants pour cela), elle pourrait être incroyablement utile pour déterminer combien de la mutation est présente, particulièrement pour le type Exon 21. Cela pourrait un jour aider les médecins à décider exactement de la quantité de médicament dont un patient a besoin, passant d'une approche « taille unique » à un plan hautement personnalisé. Mais pour l'instant, l'équipe affirme que nous devons tester cela sur beaucoup plus de patients dans différents hôpitaux avant de pouvoir accorder notre confiance à cette méthode dans le monde réel.