Prédiction de la réponse à la chimioradiothérapie néoadjuvante dans le cancer de l'œsophage à l'aide de l'intelligence artificielle et de l'apprentissage automatique (QARC)

Dans le carcinome de l'œsophage, la radiochimiothérapie concomitante néoadjuvante (NA-CCRT) suivie d'une intervention chirurgicale est la norme de soins actuelle et de nombreuses preuves se sont accumulées pour étayer l'opinion selon laquelle la réponse pathologique complète (pCR) est un marqueur pronostique positif pour de meilleurs résultats. Prédire la probabilité d'obtenir une pCR avant le traitement néoadjuvant pourrait permettre de modifier les protocoles de traitement pour les patients peu susceptibles d'atteindre une pCR.

Radiomics est un nouvel entrant dans le domaine de l'imagerie où des caractéristiques spécifiques sont dérivées de l'intensité et du modèle de distribution des pixels en fonction d'une région d'intérêt (ROI). Les caractéristiques ainsi extraites peuvent ensuite être utilisées pour la modélisation de prédiction similaire à d'autres ensembles de données -omiques. Des recherches préliminaires examinant son utilité ont été réalisées et ses applications se sont jusqu'à présent concentrées sur le dépistage et la prédiction de la survie après traitement. En raison de la nature multidimensionnelle des données extraites à l'aide de la radiomique, les méthodes d'intelligence artificielle (IA) sont parfaitement adaptées à l'analyse et à la modélisation des caractéristiques radiomiques.

L'apprentissage automatique (ML) et l'apprentissage en profondeur (DL) [utilisant les réseaux de neurones convolutifs (CNN)] font tous deux partie du cadre de l'IA. Contrairement à ML, DL est un nouvel entrant et a été utilisé par certains chercheurs médicaux pour la modélisation à l'aide d'algorithmes de type prédiction. En plus de réduire considérablement le flux de travail associé à la recherche basée sur Radiomics, l'ingénierie et la modélisation des fonctionnalités à l'aide de DL sont à l'abri des effets d'une délimitation incorrecte du retour sur investissement. Cependant, la principale limitation de DL est l'effet «boîte noire», dans lequel la base sous-jacente d'un CNN n'est pas connue. Cela a été atténué en partie par la visualisation des cartes d'activation directement sur l'ensemble de données d'image pour prouver la plausibilité biologique des prédictions. Les performances comparées des deux types de modélisation ne sont pas non plus connues.

Notre objectif est d'étudier la probabilité de pCR dans notre population d'étude à l'aide d'une modélisation basée sur la radiomique et sur l'IA. Nous étudierons également les performances comparatives des deux techniques de modélisation. Pour la modélisation de prédiction basée sur DL, nous tenterons de fournir une plausibilité biologique sur la base de cartes d'activation.