Application de la radiomique basée sur l'IRM multimodale dans le grading histologique et l'évaluation pronostique du cancer du sein

En plus de la classification TNM, la prise en charge actuelle du cancer du sein repose sur des caractéristiques pathologiques conventionnelles qui catégorisent la maladie en trois sous-types moléculaires, chacun ayant des implications pronostiques significatives en pratique clinique : les cancers du sein positifs pour le récepteur 2 du facteur de croissance épidermique humain (HER2), lumineux (récepteurs hormonaux positifs et HER2 négatifs) et triple-négatifs. La surexpression ou l'amplification de HER2 est observée dans 10 à 15 % des cas de cancer du sein. Ce phénomène est souvent corrélé à un comportement tumoral plus agressif tout en démontrant une sensibilité accrue aux thérapies ciblant HER2. Cependant, l'utilisation de médicaments anti-HER2 hautement efficaces peut améliorer significativement les résultats de survie de ces patientes. De plus, le statut d'expression de HER2 est crucial pour déterminer la nécessité d'une thérapie ciblée. Par conséquent, l'évaluation préopératoire du statut d'expression de HER2 a des implications thérapeutiques importantes. Actuellement, les méthodes cliniques pour évaluer le statut HER2 dans le cancer du sein avant la chirurgie comprennent des tests d'immunohistochimie (IHC) et des mesures d'hybridation in situ en fluorescence (FISH) réalisées sur des échantillons de biopsie au trocart. Cependant, ces techniques de prélèvement par biopsie présentent des limitations inhérentes, notamment un biais d'échantillonnage et une incapacité à représenter pleinement l'hétérogénéité intratumorale. De plus, la procédure de biopsie peut être inconfortable et comporte certains risques pour les patientes. L'hétérogénéité tumorale fait généralement référence aux variations d'angiogenèse, de métabolisme, d'expression génique et d'autres caractéristiques biologiques entre les tumeurs. L'hétérogénéité intratumorale (ITH) peut se manifester par des différences de signal dans les images radiologiques au niveau macroscopique. Les investigateurs ont émis l'hypothèse que des différences significatives dans les caractéristiques biologiques et le comportement existent entre les cancers du sein HER2-positifs (HER2+) et HER2-négatifs (HER2-), permettant de distinguer ces deux types de tumeurs en identifiant des caractéristiques d'imagerie spécifiques qui reflètent l'ITH.

L'IRM dynamique avec injection de produit de contraste (DCE-MRI) est une modalité d'imagerie efficace qui fournit des informations temporelles concernant la dynamique des agents de contraste dans les lésions suspectes tout en maintenant une résolution spatiale acceptable. Elle est particulièrement sensible pour détecter les lésions du cancer du sein, en particulier celles présentes dans le tissu mammaire dense. La DCE-MRI peut refléter indirectement la prolifération vasculaire tumorale anormale à travers les caractéristiques hémodynamiques des lésions. La radiomique est une technologie émergente qui consiste à extraire des caractéristiques quantitatives et reproductibles des images médicales en utilisant des modalités sophistiquées à haut débit, souvent difficiles à identifier ou à quantifier visuellement. Ces caractéristiques, qui peuvent être liées à des maladies spécifiques, sont analysées à l'aide d'algorithmes statistiques ou d'apprentissage automatique (ML) pour créer des modèles prédictifs pour le diagnostic tumoral, la classification, l'évaluation de l'efficacité et la prédiction du pronostic. Le ML présente deux avantages importants par rapport aux modèles statistiques traditionnels. L'objectif est de réduire le temps de décision pendant le diagnostic et d'atteindre généralement une plus grande précision diagnostique. Comme démontré dans le diagnostic du cancer du sein, le ML peut améliorer significativement la prédiction du risque de cancer en identifiant des modèles complexes dans de grandes quantités de données cliniques. Malgré le grand potentiel du ML, il reste confronté à plusieurs obstacles dans son application clinique. Un défi majeur est le manque d'interprétabilité - de nombreux modèles de ML fonctionnent comme des « boîtes noires », ce qui rend difficile pour les cliniciens de comprendre et de faire confiance à leurs processus décisionnels. De plus, la performance du modèle dépend fortement de la qualité et de la représentativité des données d'entraînement. Les méthodes de ML nécessitent souvent des ensembles de données plus volumineux que les études cliniques traditionnelles.

Ainsi, cette étude visait à développer un modèle de ML basé sur la radiomique qui pourrait prédire le statut HER2 des cancers du sein de manière non invasive en utilisant des images DCE-MRI. De plus, l'algorithme Shapley Additive Explanation (SHAP) a été utilisé pour analyser la contribution des variables incluses dans le modèle, fournissant des informations précieuses pour formuler des plans de traitement préopératoire plus précis pour les patientes atteintes de cancers du sein.