Habitat Imaging Combined with Multiscale Peritumoral Radiomics and Pathological STAS Status for Predicting Early Postoperative Recurrence in Stage T1 Non-Small Cell Lung Cancer

Le cancer du poumon reste la principale cause de décès lié au cancer dans le monde et, pour les patients atteints d'un stade précoce, la chirurgie est souvent le traitement curatif standard. Cependant, même après une opération réussie, certains patients font face à un risque important de récidive du cancer. Une caractéristique biologique spécifique, connue sous le nom de propagation par les espaces aériens, agit comme un signal d'alarme puissant. Cela se produit lorsque les cellules cancéreuses se détachent de la tumeur principale et flottent librement dans les minuscules sacs aériens des poumons, un comportement qui rend la maladie plus susceptible de réapparaître. Le problème est que les médecins ne peuvent confirmer cette caractéristique dangereuse qu'après que la tumeur a été retirée et examinée au microscope, ce qui les laisse sans moyen de prédire le risque avant le début de la chirurgie. Pour résoudre cela, les chercheurs se sont tournés vers un domaine appelé la radiomique, qui traite les images médicales non pas seulement comme des images, mais comme de vastes sources de données cachées. En analysant les motifs subtils de lumière et de texture au sein d'un scanner, les ordinateurs peuvent détecter des détails invisibles à l'œil nu, offrant ainsi une fenêtre potentielle sur la véritable nature de la tumeur avant la moindre incision.

Une équipe de chercheurs de l'hôpital Shanxi Bethune en Chine a développé une nouvelle méthode pour prédire si un cancer du poumon à un stade précoce récidivera après la chirurgie. Ils se sont concentrés sur les patients atteints de cancer du poumon non à petites cellules de stade T1, un groupe qui a généralement un bon pronostic mais qui fait tout de même face à un risque non négligeable de récidive. L'équipe a créé un modèle informatique sophistiqué qui combine trois types distincts d'informations : les détails cliniques du patient, le statut biologique de la propagation par les espaces aériens, et une analyse approfondie de la structure interne de la tumeur et de son environnement immédiat. Leur objectif était de construire un outil capable d'aider les médecins à identifier plus tôt les patients à haut risque, permettant ainsi des plans de suivi et des décisions de traitement plus personnalisés.

Pour construire ce modèle, les chercheurs ont examiné les dossiers de 216 patients ayant subi une chirurgie pour un cancer du poumon à un stade précoce entre 2019 et 2022. Ils ont divisé ces patients en deux groupes : un groupe plus large pour entraîner l'ordinateur et un groupe plus restreint pour tester l'efficacité de l'apprentissage de l'ordinateur. L'équipe a commencé par examiner les scanners thoraciques des patients, qui sont des images 3D détaillées des poumons. Au lieu de traiter la tumeur comme une masse unique et uniforme, ils ont utilisé une technique appelée imagerie d'habitat. Cette méthode décompose la tumeur en sous-régions distinctes basées sur l'apparence et le comportement des pixels, de la même manière qu'un géologue pourrait cartographier différents types de sols au sein d'un seul champ. En regroupant ces zones minuscules, l'ordinateur pouvait percevoir le paysage complexe et irrégulier à l'intérieur de la tumeur qu'un scanner standard ne percevrait pas.

Les chercheurs ont également regardé au-delà de la tumeur elle-même. Ils ont analysé le tissu immédiatement adjacent au cancer, créant des anneaux d'analyse à des distances de un, trois et cinq millimètres du bord de la tumeur. Ils savaient que l'environnement situé juste à côté d'une tumeur contient souvent des indices sur l'agressivité de sa croissance. Ils ont extrait des milliers de caractéristiques numériques de ces zones, mesurant tout, de la forme de la tumeur à la texture du tissu. Ils ont ensuite combiné ces détails d'imagerie avec les antécédents médicaux des patients, tels que l'âge et le sexe, ainsi que les résultats de l'examen pathologique ayant confirmé la présence ou non de la propagation par les espaces aériens.

L'équipe a testé plusieurs algorithmes d'apprentissage informatique différents pour voir lequel pouvait le mieux prédire la récidive. Ils ont découvert qu'un modèle combinant tous ces éléments — les facteurs cliniques, les « habitats » internes de la tumeur et les caractéristiques de l'anneau de trois millimètres autour de la tumeur — était le plus performant. Dans leur groupe de test, ce modèle combiné a identifié correctement le risque de récidive avec un taux de précision qui se traduisait par un score de 0,865. C'était nettement supérieur aux modèles qui reposaient uniquement sur les données cliniques, uniquement sur les motifs internes de la tumeur, ou uniquement sur le tissu environnant. L'étude a montré que la zone de trois millimètres autour de la tumeur fournissait les informations les plus utiles sur l'environnement périphérique, suggérant que le voisinage immédiat de la tumeur est crucial pour comprendre son comportement.

Les chercheurs ont également confirmé que certains facteurs étaient des prédicteurs indépendants de la récidive. Ceux-ci comprenaient la présence d'un signe spécifique sur le scanner appelé le signe de la vacuole, le sexe du patient, la présence de la propagation par les espaces aériens, la façon dont la tumeur tirait sur la membrane pulmonaire voisine, et la taille maximale de la tumeur. Lorsque le modèle informatique a intégré le statut de la propagation par les espaces aériens avec les données d'imagerie détaillées, il a créé un tableau bien plus clair du risque que n'importe quelle information isolée. Le modèle a été capable de distinguer les patients qui resteraient indemnes de cancer de ceux qui connaîtraient un retour de la maladie avec un degré de fiabilité élevé.

Bien que les résultats soient prometteurs, les auteurs notent que leur étude présente des limites. Elle a été menée dans un seul hôpital avec un nombre modéré de patients, et les données proviennent d'une population spécifique, ce qui signifie que le modèle doit être testé sur des groupes de personnes plus larges et plus diversifiés avant de pouvoir être utilisé à grande échelle. De plus, le processus de cartographie des régions tumorales a été réalisé manuellement, ce qui est chronophage, bien que les progrès futurs de la technologie automatisée puissent accélérer ce processus. Malgré ces obstacles, l'étude démontre que la combinaison de différentes couches d'informations — de la biologie microscopique de la tumeur aux motifs macroscopiques du scanner — crée un outil de prédiction puissant.

Ce travail offre une voie pratique pour la gestion du cancer du poumon à un stade précoce. En utilisant une approche non invasive qui analyse la diversité interne de la tumeur et son environnement immédiat, les médecins pourraient bientôt être en mesure de prédire le risque de récidive avec une plus grande précision. Cela pourrait aider à adapter les soins post-chirurgicaux, garantissant que les patients présentant un risque plus élevé reçoivent l'attention et le traitement nécessaires, tout en épargnant aux patients à faible risque des interventions inutiles. L'étude suggère que l'avenir des soins contre le cancer ne réside pas seulement dans l'observation de la tumeur, mais dans la compréhension de l'histoire complexe qu'elle raconte à travers sa forme, son environnement et sa structure interne cachée.