Un algorithme radiomique découvre un biomarqueur clé dans le myélome multiple

Jul 05, 2023

4 août 2023 - Chez les patients atteints de myélome multiple (MM), un algorithme d'apprentissage automatique radiomique IRM peut identifier le statut de maladie résiduelle minimale (MRD), un biomarqueur lié à une survie plus longue, selon une nouvelle étude publiée dans Clinical Radiology.

Un groupe de chercheurs dirigé par X. Xiong du premier hôpital affilié de l'université de Soochow dans le Jiangsu, en Chine, a formé un algorithme d'apprentissage automatique pour extraire et analyser les caractéristiques radiomiques sur l'imagerie pondérée en T1 et sur des séquences d'imagerie pondérées en T2 saturées de graisse. en IRM du rachis lombaire. Lors des tests, le modèle le plus performant – un classificateur de machine à vecteurs de support linéaire (SVM) – a donné une aire sous la courbe (AUC) pour l’état MRD allant jusqu’à 0,8.

"La méthode d'apprentissage automatique basée sur SVM linéaire peut offrir un outil non invasif pour distinguer le statut MRD en MM", ont écrit les auteurs.

Biomarqueur émergent du MM, le MRS est considéré comme représentant le niveau de réponse thérapeutique le plus profond pour le MM. Selon les chercheurs, des études radiomiques récentes ont montré le potentiel de prédire l'état cytogénétique à haut risque et d'évaluer la réponse au traitement par le MM. Cependant, ces deux études avaient utilisé de petits ensembles de données.

Dans leur étude, les chercheurs ont cherché à explorer la possibilité de distinguer le statut de MRD sur l’IRM et à identifier les meilleures méthodes d’apprentissage automatique pour optimiser le schéma thérapeutique clinique.

Les chercheurs ont rassemblé rétrospectivement les données de 83 patients nouvellement diagnostiqués qui avaient reçu une IRM du corps entier avant le traitement. Parmi ceux-ci, 59 ont été utilisés pour la formation des modèles et 24 ont été réservés à la validation des algorithmes.

Des modèles radiomiques ont été développés sur la base de séquences d'imagerie pondérées en T1 et de séquences d'imagerie pondérées en T2 saturées de graisse en utilisant cinq classificateurs différents : forêt aléatoire, K-voisin le plus proche, Bayes naïf, SVM linéaire et SVM radial. Après analyse de régression logistique, le rapport d'infiltration médullaire était la seule caractéristique retenue pour l'analyse radiomique.

Les chercheurs ont également formé un modèle traditionnel basé sur des données cliniques, notamment l’âge, le sexe, le stade du système international de classification, le statut d’hybridation in situ en fluorescence (FISH), le taux de protéines sériques, le taux d’infiltration de moelle osseuse, le calcium, la créatinine et l’albumine. Enfin, ils ont développé un modèle combiné intégrant l’analyse des caractéristiques radiomiques et cliniques.

Dans l'ensemble de validation, le modèle radiomique linéaire basé sur SVM a donné une AUC de 0,708 sur les images pondérées en T1 et une AUC de 0,8 sur les images pondérées en T2 saturées de graisse, surpassant ainsi le modèle traditionnel. De plus, le modèle combiné n’a pas donné lieu à une différence de performance statistiquement significative par rapport au modèle radiomique.

"En résumé, les présents résultats démontrent les performances de l'analyse radiomique et de l'apprentissage automatique de l'IRM, qui peuvent distinguer avec précision le statut de MRD après le traitement d'induction", ont conclu les auteurs. "Comme la recherche était rétrospective, des études prospectives et des analyses à plusieurs moments sont nécessaires pour examiner plus en détail la capacité de cette méthode à discriminer le statut de MRD."

L’étude complète peut être consultée ici.