CT-Based Radiomic Models for Stage Stratification and Relapse Prediction in Colon Cancer

Le cancer du côlon est une maladie où la capacité du corps à prédire l'avenir est souvent aussi incertaine que le propre chemin de la maladie. Les médecins s'appuient actuellement sur un système appelé stadification pour deviner comment une tumeur va se comporter. Ce système classe le cancer en groupes basés sur la profondeur de la croissance de la tumeur et sur sa propagation aux ganglions lymphatiques voisins. Bien que cette méthode soit la norme pour décider du traitement, elle n'est pas parfaite. Deux patients présentant le même stade peuvent avoir des issues très différentes ; l'un peut être guéri par la seule chirurgie, tandis que l'autre peut voir le cancer réapparaître dans les cinq ans. Cette incertitude laisse les médecins en difficulté pour choisir le bon traitement avant même qu'un patient ne subisse une opération. L'objectif de la médecine moderne est de trouver un moyen de voir à l'intérieur de la biologie de la tumeur sans l'ouvrir, en utilisant les images déjà prises pour planifier la chirurgie.

Une équipe de chercheurs en Espagne a fait un pas vers cet objectif en apprenant aux ordinateurs à lire les détails cachés dans les scanners CT standards. Ces scanners sont les images radiographiques tridimensionnelles que les médecins réalisent avant la chirurgie pour vérifier l'étendue de la propagation. Les chercheurs se sont concentrés sur un domaine appelé radiomique, qui traite les images médicales non pas seulement comme des images pour l'œil humain, mais comme de vastes bibliothèques de données. Tandis qu'un médecin regarde un scanner pour voir la forme et la taille d'une tumeur, un ordinateur peut mesurer des milliers de petits motifs dans les nuances de gris et les textures invisibles à l'œil nu. Ces motifs pourraient refléter la façon dont les cellules à l'intérieur de la tumeur sont organisées ou leur degré d'agressivité. En analysant ces textures subtiles, les chercheurs espéraient construire un outil capable de distinguer deux stades spécifiques du cancer du côlon et de prédire quels patients étaient susceptibles de voir leur maladie réapparaître.

L'étude a porté sur 104 patients diagnostiqués avec un cancer du côlon ayant subi un scanner CT avant leur chirurgie. Les chercheurs ont travaillé avec un groupe spécifique de patients, excluant ceux présentant des conditions génétiques rares ou d'autres types de cancer, afin de garantir que les données soient propres et ciblées. Ils ont pris les images CT et ont tracé manuellement le contour de la tumeur primaire en trois dimensions, créant ainsi une carte numérique précise du volume du cancer. À partir de cette carte, l'ordinateur a extrait 105 mesures différentes. Ces mesures décrivaient la forme de la tumeur, la distribution de la luminosité en son sein et la texture complexe de sa surface. L'équipe a ensuite combiné ces mesures d'image avec des informations de base sur le patient, telles que l'âge et le sexe, pour construire un ensemble de modèles mathématiques.

Pour tester l'efficacité de ces modèles, les chercheurs ont divisé leur groupe de patients en deux ensembles. Ils ont utilisé le groupe le plus important pour apprendre à l'ordinateur à reconnaître les motifs, et ils ont réservé le groupe plus restreint pour servir d'examen final. L'ordinateur a appris à chercher des combinaisons spécifiques parmi les 105 mesures qui étaient liées au résultat. La première tâche consistait à voir si le modèle pouvait faire la distinction entre le stade II et le stade III du cancer. Cette distinction est cruciale car les patients de stade III reçoivent généralement une chimiothérapie après la chirurgie, tandis que les patients de stade II n'en reçoivent souvent pas, pourtant certains patients de stade II font tout de même une rechute. Le modèle a appris à identifier ces stades en se basant uniquement sur les images préopératoires. Lors du test final, le modèle a correctement distingué les deux stades environ 76 % du temps. Il était particulièrement performant pour repérer les cas de stade II, les identifiant correctement près de 89 % du temps.

La seconde tâche, et peut-être la plus significative, consistait à prédire si un patient connaîtrait une rechute dans les cinq ans. Il s'agit d'une prédiction beaucoup plus difficile car elle implique de deviner le comportement futur de la maladie. Les chercheurs ont testé plusieurs méthodes d'apprentissage informatique différentes pour trouver la meilleure. Ils ont découvert qu'un type spécifique de modèle, qui recherchait des relations entre de nombreuses variables différentes simultanément, était le plus performant. Ce modèle a atteint un haut niveau de précision, prédisant correctement le risque de rechute dans 91 % des cas dans le groupe de test. Il était particulièrement sensible, ce qui signifie qu'il ne manquait que rarement un patient qui finirait par présenter une récurrence, capturant 95 % de ces cas. L'étude a également examiné les patients séparément pour chaque stade. Même en regardant uniquement les patients de stade II ou uniquement les patients de stade III, le modèle conservait un fort pouvoir prédictif, suggérant que la texture de la tumeur sur le scanner porte des informations sur le risque quel que soit le stade officiel.

Les résultats suggèrent que la texture visuelle d'une tumeur sur un scanner CT recèle des indices sur son comportement biologique que les méthodes de stadification actuelles ne perçoivent pas. Les chercheurs ont observé que les tumeurs présentant des motifs plus uniformes et homogènes sur le scanner appartenaient tendance à des patients qui ne faisaient pas de rechute, tandis que les textures plus chaotiques et hétérogènes étaient liées à un risque plus élevé de retour de la maladie. Cela concorde avec l'idée qu'une texture désordonnée et irrégulière sur une image pourrait refléter une biologie tumorale plus agressive et désorganisée. L'étude n'a pas prouvé que ces motifs causent la façon dont le cancer se comporte, mais elle a montré un lien fort entre les données d'imagerie et le résultat clinique du patient. L'équipe a noté que leur travail était limité par le fait qu'il a été réalisé dans un seul hôpital avec un nombre relativement restreint de patients, et que les modèles informatiques ont été entraînés et testés sur des données provenant de cette même institution. Ils ont reconnu que ces modèles doivent être testés sur des groupes de personnes plus larges, issus d'autres hôpitaux, pour confirmer leur efficacité dans le monde réel.

Cette recherche offre une nouvelle perspective potentielle pour observer le cancer du côlon avant le début du traitement. Au lieu d'attendre que la chirurgie révèle la pleine nature de la tumeur, les médecins pourraient un jour utiliser ces outils basés sur l'imagerie pour obtenir une image plus claire du risque auquel un patient est confronté. Si ces modèles sont validés lors d'études futures, ils pourraient aider les médecins à décider qui a besoin de chimiothérapie et qui peut s'en passer en toute sécurité, réduisant ainsi les traitements inutiles pour certains tout en garantissant que d'autres reçoivent les soins nécessaires. Ce travail ne remplace pas le système de stadification actuel, mais suggère qu'il pourrait être amélioré en y ajoutant ces détails quantitatifs issus des scanners. Pour l'instant, les résultats restent une étape prometteuse vers une approche plus personnalisée du traitement du cancer du côlon, transformant une image préopératoire de routine en une source d'analyse prédictive profonde.