Development of a combined nomogram integrating radiomics, deep learning and clinical risk factors to predict neoadjuvant chemoradiotherapy outcomes in patients with rectal cancer

Résumé technique : Nomogramme combiné pour la prédiction des résultats de la chimioradiothérapie néoadjuvante dans le cancer du rectum

Énoncé du problème
La prédiction précise des résultats de la chimioradiothérapie néoadjuvante (nCRT) dans le cancer du rectum (CR) localement avancé est cruciale pour déterminer les stratégies de traitement ultérieures, telles que l'approche « watch and wait » (surveillance active) pour les répondeurs complets ou une chirurgie opportune pour les non-répondeurs. Les méthodes d'évaluation actuelles, incluant l'examen pathologique (invasif et limité par l'échantillonnage), le toucher rectal (subjectif et incapable de quantifier la profondeur) et les marqueurs tumoraux sériques comme l'ACE (inefficace pour les non-sécréteurs), manquent des capacités non invasives, précises et personnalisées requises pour la prise de décision clinique. De plus, les lésions post-nCRT présentent souvent de l'œdème, de la fibrose et de l'inflammation, ce qui complique l'évaluation par l'IRM standard seule. Cette étude répond au besoin d'un outil prédictif robuste, non invasif, intégrant l'imagerie et les données cliniques pour prévoir l'efficacité de la nCRT.

Méthodologie
L'étude a utilisé une cohorte rétrospective de 292 patients atteints de cancer du rectum (230 dans l'ensemble d'entraînement, 62 dans l'ensemble de validation) ayant subi une IRM pondérée en T2 pré-nCRT et une exérèse totale du mésorectum (ETM) consécutive. Le résultat a été défini par le grade de régression tumorale pathologique (TRG), classant les patients en répondeurs (TRG1/2) et non-répondeurs (TRG3).

La méthodologie a impliqué une approche de modélisation multi-étapes :

1. Prétraitement et annotation des images : Les images IR ont subi une correction du champ de biais N4, un rééchantillonnage en voxels isotropes de 1 mm³, et une segmentation manuelle des régions intra-tumorales et péri-tumorales par des radiologues expérimentés via ITK-SNAP.
2. Développement du modèle de radiomique : 1 561 caractéristiques radiomiques (forme, statistiques d'ordre un et texture) ont été extraites via PyRadiomics. Les caractéristiques ont été filtrées pour la fiabilité inter-observateur (ICC > 0,80), la multicolinéarité (|r| ≥ 0,95) et sélectionnées par régression LASSO. Deux modèles ont été construits : l'un utilisant uniquement les régions intra-tumorales (Rad-Tumor) et l'autre combinant les régions intra- et péri-tumorales (Rad-Tumor+Peri).
3. Développement du modèle d'apprentissage profond (Deep Learning - DL) : Un réseau de neurones convolutifs ResNet50 a été entraîné sur les mêmes régions segmentées. L'augmentation de données (rotation, translation, mise à l'échelle, retournement) a été appliquée pour multiplier par huit la taille de l'échantillon d'entraînement. Similairement à la radiomique, deux modèles de DL ont été construits : DL-Tumor et DL-Tumor+Peri.
4. Sélection des variables cliniques : Les facteurs cliniques (données démographiques, stade IRM, biomarqueurs sériques) ont été examinés via des régressions univariées et multivariées. Seuls l'invasion vasculaire extratumorale (EMVI) et la localisation de la tumeur ont été retenus comme prédicteurs significatifs.
5. Construction du nomogramme : Un nomogramme combiné a été développé en intégrant le Radscore (issu de Rad-Tumor+Peri), le DLscore (issu de DL-Tumor+Peri) et les variables cliniques sélectionnées (EMVI, localisation de la tumeur).

Contributions clés

• Intégration des régions péri-tumorales : L'étude démontre que l'inclusion des caractéristiques du tissu adipeux péri-tumoral améliore significativement la performance prédictive par rapport aux modèles limités à la tumeur, tant pour les approches de radiomique que d'apprentissage profond.
• Stratégie de modélisation hybride : L'article introduit un nomogramme qui fait la synergie entre les caractéristiques de haute dimension de l'apprentissage profond, les signatures de radiomique statistique et des facteurs de risque cliniques spécifiques, plutôt que de s'appuyer sur une seule modalité.
• Analyse comparative : Il fournit une comparaison directe des performances entre la radiomique traditionnelle, l'apprentissage profond et leur application combinée au sein d'un même cadre clinique.

Résultats

• Performance du modèle : Dans l'ensemble de données de validation, le nomogramme combiné a atteint la précision prédictive la plus élevée avec une aire sous la courbe (AUC) de 0,921 (IC 95 %, 0,824–0,974). Cela était significativement supérieur au modèle autonome DL-Tumor+Peri (AUC 0,845) et au modèle Rad-Tumor+Peri (AUC 0,739) (tous les p-values < 0,05).
• Impact des caractéristiques péri-tumorales : L'incorporation des régions péri-tumorales a amélioré l'AUC pour le modèle de radiomique (de 0,666 à 0,739) et pour le modèle d'apprentissage profond (de 0,817 à 0,845) dans l'ensemble de validation.
• Utilité clinique : L'analyse de la courbe de décision (DCA) a indiqué que le nomogramme offrait un bénéfice net plus élevé sur la majorité des probabilités de seuil par rapport aux autres modèles. Les courbes de calibration et le test de Hosmer–Lemeshow ont confirmé une bonne cohérence entre les probabilités prédites et les résultats réels.
• Facteurs cliniques spécifiques : L'analyse multivariée a identifié l'EMVI et la localisation de la tumeur comme les seuls prédicteurs cliniques significatifs parmi les 13 facteurs initialement collectés.

Signification et affirmations
Les auteurs affirment que le nomogramme développé sert d'outil non invasif efficace pour prédire les résultats de la nCRT postopératoire chez les patients atteints de cancer du rectum. En intégrant les caractéristiques d'apprentissage profond, les signatures de radiomique et les variables cliniques, le modèle offre une performance diagnostique améliorée par rapport aux approches à modalité unique. L'étude soutient que cet outil peut aider les cliniciens à personnaliser les stratégies de traitement, permettant potentiellement d'épargner aux patients les effets secondaires inutiles d'une thérapie inefficace ou de prévenir la progression tumorale en identifiant précocement les non-répondeurs. Les auteurs reconnaissent les limites, notamment la nature rétrospective et monocentrique de l'étude ainsi que la complexité des méthodes computationnelles, suggérant qu'une validation externe est nécessaire pour confirmer la robustesse.