Approche multiomique de la radiorésistance des épendymomes chez l'enfant et l'adolescent (EPENDYMOMICS)

La résistance au traitement nous a incités à réaliser l'étude nationale PEPPI (Pediatric Ependymoma Photons Protons and Imaging). PEPPI a rassemblé des données cliniques, d'imagerie et de dosimétrie d'enfants atteints d'épendymome intracrânien traités en France entre 2000 et 2013. Depuis lors, les patients sont traités dans le cadre du programme prospectif actuel SIOP II Ependymoma. Nos résultats cliniques ont confirmé les facteurs pronostiques cliniques classiques dont la dose de radiothérapie, et nous avons montré que les biomarqueurs d'imagerie T2/FLAIR, IRM de perfusion et de diffusion étaient de nouveaux facteurs pronostiques. Nous avons signalé que la rechute après RT se produit principalement localement dans la région à forte dose. La valeur pronostique de la dose et le taux élevé de rechute à dose standard nous ont incités à réaliser une étude de dosimétrie in silico d'escalade de dose comparant photons et protons, confirmant la faisabilité de cette approche. Dans la série PEPPI, la prédiction du site de rechute avec l'imagerie RM avancée n'a pas été possible en raison du petit échantillon de données d'imagerie et la classification biomoléculaire récente n'était pas disponible. Récemment, le profilage de la méthylation de l'ADN a fourni une nouvelle classification des épendymomes en sous-groupes moléculaires à forte valeur pronostique.

Le projet EPENDYMOMICS vise à déterminer le rôle pronostique de l'imagerie multimodale, à identifier les clusters radiorésistants prédictifs de rechute et à analyser le lien entre les caractéristiques radiomiques et les marqueurs génomiques, conduisant ainsi à une étude radiogénomique. Il s'appuiera sur une base de données avec un plus grand nombre de patients appelée NETSPARE (Network to Structure and Share Pediatric data to Accelerate Research on Ependymoma) pour développer une approche radiomique, c'est-à-dire prédire les paramètres cliniques en s'appuyant sur des caractéristiques quantitatives extraites d'images médicales utilisant soit des ou des algorithmes d'extraction de caractéristiques automatisées. Ces caractéristiques seront exploitées et combinées avec d'autres variables disponibles (cliniques, génétiques, etc.) pour améliorer l'aide à la décision.

1. Collecte des données IRM : Diagnostic, FU jusqu'à la rechute (format DICOM)

   - Séquences : T1W, T2W, FLAIR, T1W avec & sans rehaussement de contraste, imagerie pondérée en diffusion (DWI), imagerie pondérée en perfusion (PWI) Radiothérapie : CT scan, RTDOSE, RTSS, RTPLAN (format DICOM RT) Clinique : Âge, chirurgie, chimiothérapie, doses, effets tardifs, date de rechute Histologie : lames d'histopathologie colorées à l'hématoxyline et à l'éosine (H&E) Biologie moléculaire : groupes de méthylation RELA, YAP, PFA et PFB

2. Vérification de la qualité des données et délimitation du volume d'intérêt pour conserver les données avant le post-traitement et l'analyse.

   Pour assurer une segmentation d'image préliminaire robuste, l'ensemble de structure de radiothérapie sera vérifié pour chaque patient. Le radiologue référent confirmera tous les changements d'imagerie après RT. Un radio-oncologue expert segmentera les volumes d'anomalies post-traitement en T1WI après contraste, en imagerie T2W/FLAIR, ainsi que le site de rechute et les OAR manquants.

3. Post-traitement des données d'imagerie et analyse des changements après radiothérapie Nous traiterons les DWI et PWI avec Olea Sphere®3.0 logiciel, une solution de post-traitement pour les scanners IRM et CT. Nous allons extraire et générer des cartes de coefficient de diffusion apparente à partir de données DWI calculées voxel par voxel et des cartes de volume sanguin cérébral relatif calculées à partir de données PWI avec une routine de décomposition de valeur singulière d'indice d'oscillation et une correction des effets de fuite pondérés en T1.

   Toutes les données IRM seront strictement co-enregistrées avec le T1WI-PC et le CT de planification.

4. Harmonisation radiomique Nous effectuerons l'augmentation du niveau d'harmonisation des images et/ou des caractéristiques extraites sur un jeu de données très hétérogène en raison de ses multiples sources.

   Nous développerons un cadre basé sur GAN, traduisant des images hétérogènes pour correspondre aux propriétés d'un ensemble de données standard, comme une image de référence modèle, ou alternativement, un ensemble d'images choisies comme référence. Nous devons déterminer les propriétés pertinentes au sein des images (métriques locales ou globales, texture, bords, contraste, rapport signal sur bruit, etc.) et garantir la capacité du cadre à harmoniser les images sans perdre leur information et leur contenu cliniquement pertinents. .

   Dans l'espace des caractéristiques, de nombreuses approches statistiques peuvent être appliquées, telles que la normalisation ou la compensation d'effet de lot. Il a été démontré que ComBat surpasse d'autres approches similaires et nous nous appuierons sur l'estimation de Monte Carlo pour les petits échantillons. Nous étudierons la combinaison des méthodes de correction par lots avec le regroupement non supervisé pour traiter des données présentant une très grande hétérogénéité et un très petit nombre d'échantillons par lot.

   Il pourrait être bénéfique et complémentaire de combiner des méthodologies d'harmonisation basées sur l'image et sur les caractéristiques pour améliorer les résultats des études radiomiques multicentriques. Nous évaluerons l'avantage supplémentaire potentiel des deux approches développées précédemment dans l'amélioration des résultats. L'objectif de cette tâche sera d'établir si la première ou la deuxième approche (ou la combinaison des deux) est la plus efficace, en tenant compte non seulement de l'amélioration absolue observée dans les résultats, mais aussi du temps et des efforts de calcul nécessaires pour mettre en œuvre chaque approche dans la pratique.

5. Analyse biomoléculaire Les ressources biologiques des cohortes de patients épendymomes PEPPI et SIOPII seront incluses. Tout d'abord, le diagnostic des épendymomes intracrâniens sera confirmé, puis les caractéristiques pathologiques seront étudiées.

   Classification OMS 2020 des épendymomes : le cIMPACT-NOW (Consortium to Inform Molecular and Practical Approaches to CNS Tumor Taxonomy - Not Official WHO) a décidé de classer les épendymomes en fonction de leur localisation et de l'altération génétique sous-jacente. La classification actuelle de l'OMS est en cours de révision.

   Etudes biologiques nécessaires pour classer les épendymomes intracrâniens du projet :

   Immunohistochimie : p65-RelA, H3K27Me3. Analyse FISH (classification et variations du nombre de copies). Profilage de méthylation de l'ADN. Analyse RNAseq.

6. Apprentissage en profondeur (DL) pour les biomarqueurs moléculaires de l'épendymome À cette fin, l'équipe Zimmer a conçu et formé des réseaux de neurones à convolution profonde basés sur l'architecture Inception V3 pour distinguer l'épendymome des gliomes de grades III et IV. Les résultats préliminaires basés sur un ensemble de données d'imagerie indiquent une grande précision de discrimination et suggèrent la possibilité de prédire des mutations cliniquement pertinentes à partir d'images H&E seules (manuscrit en préparation).

   Nous étendrons ces approches DL pour prédire la résistance au traitement et les métastases. Cela se fera en utilisant les images histopathologiques seules, soit en entrée, soit en combinaison avec des classifications basées sur des tests moléculaires. Au niveau technique, nous utiliserons des architectures de réseaux de neurones profonds de pointe basées sur des couches convolutives et des connexions de saut. Pour compenser la taille modérée de l'ensemble de données d'apprentissage, nous ferons un usage intensif de l'apprentissage par transfert. Ici, nous utiliserons spécifiquement la base de données TGCA, qui contient des images de cancers très différents comme le cancer du sein, et adapterons des modèles réussis en nous recyclant sur un sous-ensemble des données d'épendymome acquises dans cette étude. Nous adopterons également des représentations d'images multi-échelles pour une meilleure exploitation des informations d'image aux niveaux cellulaire et tissulaire, utiliserons la normalisation des couleurs spécifiques H&E et des méthodes d'élimination automatisée des régions sujettes aux artefacts d'imagerie. Nous intégrerons également les méthodes développées dans Imjoy. En dissociant l'interface utilisateur graphique du back-end de calcul, il permet aux utilisateurs d'accéder à des capacités informatiques haut de gamme à partir de n'importe quel poste de travail ou ordinateur portable.

7. Analyse statistique Plusieurs signatures seront développées et validées : une signature radiomique (RAD-Score), une signature radiomique et clinique (RADClin-Score), une signature moléculaire (MOL-score) et une signature globale (Radiomic, Molecular and clinical signature) .

   • RAD-Score associé à la survie sans progression (PFS). Pour éviter les biais, NETSPARE construit à partir d'une étude rétrospective multicentrique incluant des cohortes indépendantes est une cohorte d'entraînement. La cohorte de validation pour tester la performance de la signature radiomique correspond à la cohorte britannique du programme SIOP II (n=220). Cette division permet une validation externe.

Cohorte de formation : la SSP médiane est estimée à 5 ans dans la littérature. Cela correspond à une SSP à 3,5 ans de 62 %. Avec 370 patients et un suivi médian de 3,5 ans, nous attendons au moins 120 événements. Selon la règle empirique recommandant 10 événements par variable d'intérêt, un modèle multiparamétrique combinant 10 variables peut être entraîné. Une stratégie de modélisation alternative basée sur une approche pénalisée sera utilisée pour étudier l'association entre les paramètres d'imagerie et la PFS. Comme les données des biomarqueurs d'imagerie dépassent de loin la taille de l'échantillon et sont intercorrélées, des méthodes pénalisées (précédemment utilisées dans différentes situations avec des données spatiales) seront utilisées pour la régularisation et la sélection des variables, en favorisant l'effet de regroupement et en sélectionnant des variables explicatives.

Cohorte de validation : 66 événements sont attendus. Avec ce nombre d'événements, il est possible de détecter avec une puissance de 80% un rapport de risque de 0,5 entre le groupe à faible et à haut risque (test de Logrank bilatéral 0,05).

Données démographiques : les variables continues seront résumées par cohorte en utilisant la médiane, le minimum, le maximum et le nombre d'observations disponibles. Les variables qualitatives seront résumées à l'aide de nombres, de pourcentages et du nombre de données manquantes. La comparaison entre les cohortes sera effectuée à l'aide du test du chi carré (ou du test exact de Fisher, le cas échéant) pour les variables qualitatives et du test de Mann-Whitney pour les variables quantitatives.

- Développement et validation de la signature radiomique : Pour étudier l'association entre les caractéristiques d'imagerie et la SSP, nous utiliserons une stratégie de modélisation alternative basée sur le modèle de régression de Cox pénalisé. La méthode Elastic Net encourage l'effet de regroupement et sélectionne des variables explicatives. Nous effectuerons une validation croisée de 10 fois pour sélectionner le meilleur paramètre de pénalité lambda. Le paramètre de mélange α, autre paramètre de la méthode du filet élastique, sera défini sur une valeur par défaut de 0,5. Les coefficients de régression associés à chaque état des différentes variables seront utilisés pour déterminer le score RAD. Le résultat étant dépendant du temps, le score de risque sera dichotomisé à l'aide d'une courbe ROC dépendant du temps pour obtenir un classificateur (groupes de risque : pronostic faible vs intermédiaire vs bon). Le seuil optimal a été déterminé pour obtenir à 3 ans une sensibilité d'au moins 80% et la meilleure spécificité.

Une validation d'intervalle sera effectuée à l'aide d'une validation croisée congé k-out. Nous appliquerons ensuite la signature RAD-score à la cohorte de validation. Les performances du score seront évaluées selon différents critères : la monotonie de la stratification pronostique évaluée à l'aide des courbes de survie de Kaplan-Meier et l'estimation du Hazard Ratio (HR), la discrimination évaluée par le C-Index de Harrell et la statistique D, la qualité du modèle et la proportion de la variation expliquée estimée par le critère d'information d'Akaike (AIC) et la statistique RD², respectivement. La capacité du score pronostique à identifier les patients à haut risque de rechute au cours des 3 premières années sera évaluée en déterminant la sensibilité, la spécificité et la valeur prédictive à l'aide d'une courbe ROC en fonction du temps.

- Développement et validation de RADClin-Score : pour intégrer des informations cliniques et d'imagerie, nous combinerons des données d'imagerie clinique à basse dimension et à haute dimension dans un modèle de prédiction global. Tout d'abord, nous allons complètement ignorer les fonctionnalités d'imagerie. Un modèle de Cox sera ajusté pour identifier les covariables cliniques associées à la SSP. Nous allons construire un prédicteur linéaire clinique en utilisant un coefficient de régression. Ensuite, nous utiliserons Elastic Net avec le prédicteur linéaire clinique en décalage pour identifier les caractéristiques d'imagerie. Enfin, nous calculerons le RADClin-Score à l'aide d'un coefficient de régression. Nous tracerons un diagramme de Venn pour comparer la sélection des fonctionnalités avec le RADClin-Score et le RAD-Score. Nous allons comparer le modèle en utilisant les différents critères présentés précédemment.