📄 medicine

Intratumoral and multiscale peritumoral radiomics on non-contrast CT for differentiating rectal adenocarcinoma from rectal neuroendocrine tumors: a retrospective diagnostic study

Cette étude rétrospective démontre qu'un modèle d'apprentissage automatique intégrant des caractéristiques radiomiques intratumorales et péritumorales multi-échelles issues de la TDM sans injection, ainsi que des variables cliniques, atteint l'estimation ponctuelle la plus élevée pour différencier l'adénocarcinome rectal des tumeurs neuroendocrines rectales, bien que les conclusions demeurent exploratoires en raison de la petite cohorte monocentrique et de l'absence de validation externe.

Auteurs originaux : Ximing Liu¹, Yujie Zhou¹, Lisong Zhu², Shuang Gao³, Renchen Dou³, Rixiong Wang¹

Publié 2026-09-15

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ximing Liu¹, Yujie Zhou¹, Lisong Zhu², Shuang Gao³, Renchen Dou³, Rixiong Wang¹

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le paysage complexe du corps humain, le rectum peut abriter deux types de tumeurs très différents qui se ressemblent sur un scanner mais qui nécessitent des traitements totalement distincts. L'un est une forme courante de cancer qui se développe de manière agressive, tandis que l'autre est une tumeur à croissance plus lente provenant de cellules de type nerveux. Distinguer l'une de l'autre avant la chirurgie est crucial, car cela dicte si le patient a besoin d'une opération radicale ou d'une procédure plus simple. Habituellement, les médecins s'appuient sur des scanners avec injection de produit de contraste, où un colorant injecté met en évidence les vaisseaux sanguins pour révéler la nature de la tumeur. Cependant, tous les patients ne peuvent pas recevoir ce colorant en raison d'allergies ou de problèmes rénaux, et parfois, seul un scanner sans contraste est disponible. Cela laisse un fossé diagnostique où les médecins doivent examiner la forme et la texture de la tumeur sans l'aide des indices colorés.

Une équipe de chercheurs s'est donné pour mission de voir s'ils pouvaient combler ce fossé en utilisant une méthode appelée radiomique. Au lieu de demander à l'œil humain de deviner la différence, ils ont traité les images médicales comme une vaste source de données. Ils ont décomposé les images des tumeurs en des milliers de détails numériques minuscules — mesurant la grisaille, la rugosité et les motifs des pixels trop subtils pour être perçus par une personne. Ils ont également regardé non seulement la tumeur elle-même, mais aussi le tissu immédiatement environnant, partant du principe que l'influence de la tumeur pourrait se propager vers ses voisins. En injectant ces motifs cachés dans un programme informatique capable d'apprendre à partir d'exemples, ils espéraient construire un outil capable de distinguer les deux types de tumeurs en utilisant uniquement les images simples, sans contraste.

L'étude s'est concentrée sur 87 patients ayant été traités pour des tumeurs rectales entre 2019 et 2025. Les chercheurs ont divisé ces cas en deux groupes : l'un pour apprendre à l'ordinateur ce qu'il doit chercher, et l'autre pour tester si l'ordinateur pouvait appliquer ce qu'il a appris à de nouveaux cas inconnus. Ils ont soigneusement tracé des contours autour des tumeurs sur les scanners CT sans contraste, puis ont élargi ces contours dans le tissu environnant de 3 millimètres et 5 millimètres, créant ainsi trois zones distinctes à analyser. À partir de ces zones, ils ont extrait plus de mille caractéristiques pour chaque patient, telles que la texture de la surface de la tumeur et la distribution des nuances de gris dans le tissu voisin. Pour garantir que ces mesures soient fiables, ils ont vérifié que différents observateurs dessinaient les mêmes lignes et obtenaient les mêmes chiffres, ne conservant que les données les plus cohérentes.

L'ordinateur a ensuite été entraîné à trouver la combinaison spécifique de ces détails minuscules qui sépare le mieux les adénocarcinomes agressifs des tumeurs neuroendocrines. Les chercheurs ont testé plusieurs approches mathématiques différentes, mais une méthode, connue sous le nom de "gradient boosting extrême", s'est avérée la plus efficace. Ils ont découvert que l'examen du tissu situé juste 3 millimètres à l'extérieur de la limite de la tumeur fournissait les informations les plus utiles, plus encore que l'examen de la tumeur elle-même ou du tissu à 5 millimètres de distance. Cela suggère que le voisinage immédiat de la tumeur détient une signature unique qui aide à identifier son type. Lorsque les chercheurs ont combiné ces données d'imagerie avec des informations cliniques standards, telles que l'âge du patient et la taille de la tumeur, la capacité de l'ordinateur à distinguer les deux conditions s'est encore améliorée.

Les résultats ont montré que cette approche combinée a atteint un score de discrimination élevé de 0,879 sur une échelle où 1,0 représente une capacité de classement parfaite, surpassant les modèles utilisant uniquement des données cliniques ou l'imagerie de la tumeur seule. Cependant, les chercheurs ont pris soin de noter que, bien que le modèle classe bien les cas dans l'ensemble, il a eu des difficultés lorsqu'il était forcé de prendre une décision finale de type oui-ou-non à un seuil spécifique. Dans le groupe de test, le modèle n'a pas identifié 70 % des tumeurs neuroendocrines en utilisant le seuil standard dérivé des données d'entraînement. Ce taux élevé de faux négatifs indique que le modèle n'était pas encore assez sensible pour être utilisé comme un outil de diagnostic autonome, malgré sa forte performance globale de classement. L'étude a également souligné que les caractéristiques que l'ordinateur a jugées les plus importantes n'étaient pas celles qui avaient été statistiquement prouvées comme étant différentes de manière traditionnelle, mais plutôt un mélange complexe de motifs qui n'émergeaient que lors de l'analyse conjointe.

En fin de compte, ce travail sert de preuve de concept plutôt que de produit médical fini. Il démontre que des indices diagnostiques précieux existent dans les scanners CT simples, cachés dans la texture de la tumeur et du tissu environnant, attendant d'être déverrouillés par l'informatique avancée. Les conclusions suggèrent qu'un outil futur pourrait aider les médecins à prendre de meilleures décisions lorsque le produit de contraste n'est pas une option. Pourtant, comme l'étude a été menée dans un seul hôpital avec un nombre relativement restreint de patients, les résultats sont considérés comme exploratoires. Les chercheurs soulignent qu'avant qu'un tel système ne puisse être utilisé dans des cliniques réelles, il doit être testé sur un groupe de personnes beaucoup plus large et plus diversifié pour garantir qu'il fonctionne de manière fiable pour tout le monde. Pour l'instant, il offre un aperçu prometteur de la manière dont l'analyse numérique pourrait un jour soutenir le jugement humain dans les scénarios diagnostiques les plus difficiles.

Résumé Technique : Radiomique intratumorale et péritumorale multi-échelle sur scanner sans injection pour différencier l'adénocarcinome rectal des tumeurs neuroendocrines rectales

Énoncé du problème
Distinguer l'adénocarcinome rectal (RAC) des tumeurs neuroendocrines rectales (RNET) avant le traitement est cliniquement crucial en raison de stratégies de prise en charge divergentes. Bien que le scanner avec injection de produit de contraste puisse révéler des indices vasculaires caractéristiques des RNET, le produit de contraste iodé est souvent contre-indiqué ou indisponible. Par conséquent, il est nécessaire de déterminer si des caractéristiques quantitatives dérivées du scanner sans injection — spécifiquement la radiomique intratumorale et péritumorale — peuvent effectivement différencier ces deux entités sans dépendre des données d'accentuation.

Méthodologie
Cette étude diagnostique rétrospective monocentrique a analysé 87 cas confirmés par pathologie, traités entre janvier 2019 et décembre 2025. La cohorte a été divisée approximativement selon un ratio 1:1 en un ensemble d'entraînement ( $n=44$ ) et un ensemble de validation interne ( $n=43$ ).

Acquisition et prétraitement des données : Les analyses ont été limitées aux images de scanner sans injection pré-traitement. Les images provenant de différents scanners ont été rééchantillonnées en voxels isotropes de $1\times1\times1$ mm³, et une discrétisation des niveaux de gris a été effectuée avec une largeur de classe fixe de 25.
Segmentation de la région d'intérêt (ROI) : Un radiologue a délimité manuellement les ROI intratumorales, qui ont ensuite été étendues pour créer des régions péritumorales de 3 mm et de 5 mm. La reproductibilité inter- et intra-observateur a été évaluée par le coefficient de corrélation intraclasse (CCI), avec un seuil de $\ge0,80$ utilisé pour filtrer les caractéristiques stables.
Extraction et sélection des caractéristiques : Un total de 1 561 caractéristiques radiomiques ont été extraites par région à l'aide de PyRadiomics. La sélection des caractéristiques a suivi un pipeline rigoureux restreint à la cohorte d'entraînement :
1. Filtrage de la reproductibilité (CCI $\ge0,80$ ).
2. Tests statistiques univariés ( $P < 0,05$ ).
3. Élimination de la redondance via la corrélation de Spearman ( $|\rho| \ge 0,90$ ).
4. Classement via la méthode Maximum Relevance Minimum Redundancy (mRMR).
5. Sélection finale via la régression LASSO pour générer des scores radiomiques régionaux (RadScores).
Variables cliniques : Les variables cliniques candidates comprenaient l'âge, le sexe, les stades T/N/M, le statut métastatique, la taille de la tumeur et les marqueurs tumoraux (AFP, CEA, CA125, CA19-9). La sélection a utilisé la régression logistique de Firth et LASSO.
Développement du modèle : Cinq classifieurs (LR, RF, XGB, SVM, KNN) ont été évalués. Neuf configurations de caractéristiques ont été testées : clinique uniquement, radiomique à région unique (intratumorale, 3 mm, 5 mm), modèles de radiomique combinée, et modèles de fusion clinique-radiomique. L'algorithme Extreme Gradient Boosting (XGB) a été sélectionné comme algorithme représentatif en raison de ses performances constantes.
Évaluation : Les modèles ont été évalués par AUROC, courbes de calibration, analyse de la courbe de décision (DCA) et test de DeLong pour les comparaisons par paires. L'interprétabilité du modèle a été explorée à l'aide de SHAP (Shapley Additive Explanations) basées sur des substituts de probabilité.

Résultats clés

Stabilité des caractéristiques : Après filtrage par CCI, 1 240 caractéristiques stables (intratumorales), 1 074 (péritumorales de 3 mm) et 1 130 (péritumorales de 5 mm) ont été retenues. La sélection finale par LASSO a produit huit caractéristiques pour chaque région.
Performance discriminante :
- Parmi les modèles à région unique, le modèle XGB péritumoral de 3 mm a obtenu l'AUROC de validation interne le plus élevé de 0,762 (IC 95 % : 0,595–0,911), surpassant les modèles intratumoraux (0,732) et péritumoraux de 5 mm (0,717).
- Le modèle de fusion XGB clinique-radiomique (combinant les variables cliniques avec les trois RadScores) a produit l'estimation ponctuelle la plus élevée de l'AUROC de validation interne à 0,879 (IC 95 % : 0,721–0,982).
- Les comparaisons de DeLong par paires entre les modèles cliniques, radiomiques et de fusion n'étaient pas statistiquement significatives ( $P > 0,05$ ) dans aucune des deux cohortes.
Sensibilité au seuil : Au seuil de Youden dérivé de la cohorte d'entraînement, le modèle de fusion présentait un taux de faux négatifs (FNR) de 0,700 dans l'ensemble de validation interne, indiquant que l'AUROC élevée ne se traduisait pas par une sensibilité élevée à ce point de fonctionnement spécifique.
Importance des caractéristiques : L'analyse SHAP a révélé que le RadScore péritumoral de 3 mm était la variable la plus influente dans le modèle de fusion, suivi du RadScore péritumoral de 5 mm et du stade T.

Signification et affirmations
Les auteurs présentent ce travail comme une étude exploratoire de génération d'hypothèses plutôt qu'une confirmation de la généralisabilité clinique. L'article affirme que :

L'information péritumorale est précieuse : La radiomique péritumorale sur scanner sans injection, particulièrement avec une expansion de 3 mm, fournit des informations discriminatoires complémentaires qui peuvent capturer les caractéristiques de l'interface tumeur-hôte (ex. : réaction stromale, microvascularisation) non visibles dans la ROI intratumorale seule.
Faisabilité des modèles de fusion : L'intégration des variables cliniques avec la radiomique multi-échelle permet d'obtenir l'estimation ponctuelle de performance d'AUROC de validation interne la plus élevée, suggérant que les phénotypes d'imagerie et l'étendue clinique de la maladie offrent des signaux complémentaires.
Limites et besoins futurs : Les auteurs déclarent explicitement que les résultats sont limités par la petite taille de la cohorte monocentrique, l'absence de validation externe, et le fait que les caractéristiques sélectionnées n'ont pas survécu à la correction du taux de fausses découvertes (FDR). Ils soulignent que le modèle n'est pas prêt pour un déploiement clinique. Avant toute application clinique, un modèle « verrouillé » nécessite une validation externe dans une cohorte multicentrique indépendante, et les seuils de fonctionnement doivent être recalibrés pour remédier au taux élevé de faux négatifs observé au seuil de coupure dérivé de l'entraînement.

En résumé, l'étude démontre la faisabilité technique de l'utilisation de la radiomique sur scanner sans injection pour différencier les RAC des RNET, en soulignant l'utilité spécifique de la région péritumorale de 3 mm, tout en maintenant une position prudente quant à son utilité clinique actuelle.

Articles similaires