Analyse vidéo peropératoire à double traceur basée sur l'apprentissage profond pour la cartographie du ganglion sentinelle en vue de la prédiction des métastases dans le carcinome papillaire de la thyroïde cN0

CONTEXTE ET JUSTIFICATION :

Le carcinome papillaire de la thyroïde (CPT) est l'un des cancers à la croissance la plus rapide dans le monde.
Un défi majeur dans le traitement du CPT est que 30 % à 80 % des patients qui semblent n'avoir aucune atteinte ganglionnaire avant la chirurgie (cliniquement négatifs pour les ganglions, ou cN0) ont en réalité une dissémination cachée (occultes) du cancer vers leurs ganglions lymphatiques.
Les méthodes d'imagerie actuelles comme l'échographie manquent souvent ces petites zones de dissémination cancéreuse.

Cela crée une décision difficile pour les chirurgiens : retirer trop de ganglions lymphatiques augmente le risque de complications telles que des lésions des glandes parathyroïdes (qui contrôlent les niveaux de calcium) et des nerfs qui contrôlent la voix.
Cependant, retirer trop peu de ganglions lymphatiques peut laisser du cancer en place, ce qui peut entraîner une récidive.

La cartographie du ganglion sentinelle (GS) est une technique qui identifie les premiers ganglions lymphatiques drainant une tumeur.
L'idée est que si le cancer se propage par le système lymphatique, il atteindra d'abord ces ganglions sentinelles.
Cependant, les méthodes actuelles à traceur unique pour la cartographie du GS dans le cancer de la thyroïde ont des limitations et des résultats variables.

Cette étude utilise une approche à double traceur qui combine deux colorants différents :

1. Nanoparticules de carbone (NC) : Elles fournissent une coloration noire durable qui aide les chirurgiens à voir clairement les ganglions lymphatiques
2. Vert d'indocyanine (ICG) : Ce colorant brille sous lumière proche infrarouge, permettant une visualisation en temps réel du flux lymphatique

En combinant ces deux traceurs, les chirurgiens peuvent voir à la fois la structure des ganglions lymphatiques et comment le liquide lymphatique y circule au fil du temps.

CONCEPTION DE L'ÉTUDE :

Il s'agit d'une étude de cohorte observationnelle prospective, monocentrique.
L'étude ne modifie pas le traitement chirurgical que les participants reçoivent.
Tous les participants subissent une chirurgie standard du cancer de la thyroïde avec ablation des ganglions lymphatiques telle que déterminée par leur équipe chirurgicale.

PROCÉDURES DE L'ÉTUDE :

1. Évaluation préopératoire :

   Tous les participants subissent une évaluation préopératoire standard incluant :

   • Examen physique
   • Échographie thyroïdienne avec évaluation détaillée des ganglions lymphatiques
   • Biopsie par ponction à l'aiguille fine pour confirmer le diagnostic de CPT
   • Tests génétiques pour les mutations courantes (comme BRAF)
   • Analyses sanguines standard

2. Procédure chirurgicale :

   Pendant la chirurgie, les participants reçoivent l'injection de double traceur sous guidage échographique.
   L'injection est administrée à plusieurs points autour de la tumeur thyroïdienne.
   La préparation spécifique est :

   • 0,1 ml de solution d'ICG (concentration : 2,5 mg/ml)
   • 0,1 ml de suspension de nanoparticules de carbone (concentration : 50 mg/ml) Ceux-ci sont mélangés ensemble et injectés en utilisant une technique précise, multipoints.

3. Enregistrement vidéo :

   Un système d'imagerie par fluorescence en proche infrarouge enregistre tout le processus de visualisation des ganglions lymphatiques.
   L'enregistrement capture :

   • Comment les colorants se propagent à travers les canaux lymphatiques
   • Quand chaque ganglion lymphatique devient visible pour la première fois
   • Comment le signal de fluorescence change au fil du temps
   • Le motif de drainage lymphatique

   Les vidéos sont enregistrées en haute résolution (1920 × 1080 pixels) à environ 30 images par seconde.
   Un segment standardisé de 3 minutes est extrait de chaque vidéo pour analyse, fournissant 150 images par patient.

4. Décisions chirurgicales :

   Le ganglion lymphatique sentinelle (le premier nœud qui s'allume) est retiré et envoyé pour analyse immédiate en coupe congelée.
   Sur la base de critères standard, les chirurgiens décident d'effectuer :

   • Un curage ganglionnaire central ipsilatéral (retrait des ganglions lymphatiques du même côté que la tumeur)
   • Un curage ganglionnaire latéral (si certains critères sont remplis)
   • Un curage central controlatéral (retrait des ganglions lymphatiques du côté opposé)

   Ces décisions suivent le protocole chirurgical standard de notre institution et ne sont pas influencées par les prédictions d'apprentissage profond.

5. Examen anatomopathologique :

Tous les ganglions lymphatiques retirés sont examinés par les anatomopathologistes pour déterminer :

• Si le ganglion lymphatique sentinelle contient du cancer (statut SLNM)
• Si les ganglions lymphatiques de second échelon contiennent du cancer (SeLNM)
• Si les ganglions lymphatiques non sentinelles contiennent du cancer (NsLNM)
• Le nombre et la localisation de tous les ganglions lymphatiques positifs

COLLECTE ET ANALYSE DES DONNÉES :

Données cliniques (32 variables) :

• Démographiques : âge, sexe, indice de masse corporelle
• Caractéristiques échographiques : taille de la tumeur, localisation, marges, motifs de calcification, rapport d'aspect, classification TI-RADS
• Caractéristiques anatomopathologiques : multifocalité, extension extratthyroïdienne, invasion capsulaire
• Données génétiques : statut de mutation BRAF et autres mutations pertinentes

Analyse vidéo :

Deux chirurgiens expérimentés (chacun avec plus de 10 ans d'expérience) identifient et délimitent manuellement les régions d'intérêt (les ganglions lymphatiques sentinelles) dans chaque image vidéo.
Cela crée 19 650 images de masque sur l'ensemble des participants.

Extraction des caractéristiques :

Le système d'apprentissage profond extrait plusieurs types de caractéristiques :

Caractéristiques spatiales (2 048 dimensions) :

• Caractéristiques d'image d'un réseau neuronal pré-entraîné (EfficientNet-B5)
• Caractéristiques en niveaux de gris
• Caractéristiques de forme et morphologiques
• Descripteurs de moment de Hu (descriptions mathématiques de la forme)

Caractéristiques temporelles (20 dimensions) :

• Différences image par image montrant comment l'image change
• Mesures de flux optique montrant les motifs de mouvement
• Changements d'intensité de fluorescence au fil du temps
• Mesures de vitesse d'écoulement à des moments spécifiques

MODÈLES D'APPRENTISSAGE PROFOND :

Neuf architectures d'apprentissage profond différentes sont développées et comparées :

1. Réseau de neurones convolutif (CNN) : Extrait les caractéristiques spatiales locales des images
2. Mémoire à long court terme (LSTM) : Capture les motifs dans les données de séries temporelles
3. CNN + LSTM : Combine l'extraction de caractéristiques spatiales et temporelles
4. CNN + LSTM + Attention : Ajoute un mécanisme d'attention pour se concentrer sur les moments importants
5. Transformeur : Utilise l'auto-attention pour capturer les motifs globaux dans les données séquentielles
6. Crossformer : Une architecture spécialisée pour l'analyse de séries temporelles
7. 3D-CNN : Traite les données vidéo comme des volumes tridimensionnels
8. LSTM + Transformeur : Modèle hybride combinant les forces du LSTM et du Transformeur
9. LSTM + Crossformer : Modèle hybride combinant le LSTM et le Crossformer

Tous les modèles utilisent :

• Fonction de perte d'entropie croisée binaire
• Optimiseur Adam pour l'entraînement
• Augmentation des données (rotation, mise à l'échelle, injection de bruit) pour éviter le surapprentissage
• Fonctions de perte pondérées pour gérer le déséquilibre des classes
• Régularisation par dropout

ÉVALUATION DU MODÈLE :

Les modèles sont évalués en utilisant une validation croisée stratifiée à 10 plis, garantissant une distribution équilibrée des résultats dans les ensembles d'entraînement et de test.
Les métriques de performance incluent :

• Aire sous la courbe ROC (AUC) : Mesure la capacité globale de discrimination
• Précision : Pourcentage de prédictions correctes
• Sensibilité : Capacité à identifier correctement les patients avec métastases
• Spécificité : Capacité à identifier correctement les patients sans métastases
• Valeur prédictive positive : Probabilité qu'une prédiction positive soit correcte
• Valeur prédictive négative : Probabilité qu'une prédiction négative soit correcte
• Score F1 : Équilibre entre précision et rappel
• Score de Brier : Calibration des probabilités prédites

Analyses supplémentaires incluent :

• Analyse de courbe de décision pour évaluer l'utilité clinique
• Courbes de calibration pour vérifier la fiabilité des prédictions
• Courbes d'apprentissage pour évaluer le surapprentissage
• Test de DeLong pour la comparaison statistique entre modèles
• Approche de classement des modèles basée sur la probabilité (PMRA)

INTERPRÉTABILITÉ DU MODÈLE :

Pour comprendre comment le modèle fait des prédictions, nous utilisons l'analyse SHapley Additive exPlanations (SHAP).
Cette technique :

• Identifie quelles caractéristiques contribuent le plus aux prédictions
• Montre comment chaque caractéristique affecte les prédictions individuelles
• Révèle si le modèle s'appuie sur des facteurs cliniquement significatifs
• Fournit de la transparence dans la "boîte noire" de l'apprentissage profond

RÉSULTATS :

Résultats primaires :

1. Métastase ganglionnaire de second échelon (SeLNM) : Dissémination du cancer vers les ganglions lymphatiques au-delà du ganglion sentinelle dans la voie de drainage
2. Métastase ganglionnaire non sentinelle (NsLNM) : Dissémination du cancer vers tout ganglion lymphatique autre que le ganglion sentinelle

Les deux résultats sont déterminés par l'examen anatomopathologique final du tissu chirurgicalement retiré (la référence).

Résultats secondaires :

• Métriques de performance du modèle (AUC, sensibilité, spécificité, etc.)
• Classements d'importance des caractéristiques de l'analyse SHAP
• Comparaison des architectures de modèles

CONSIDÉRATIONS STATISTIQUES :

Taille de l'échantillon :

Basé sur des calculs de puissance supposant :

• Alpha = 0,05 (niveau de signification)
• Puissance = 0,80
• Différence de sensibilité attendue de 20 % entre les méthodes
• Prévalence attendue de métastases ganglionnaires de 50 %

Un minimum de 335 participants a été calculé.
En raison de critères d'inclusion stricts et d'exigences de qualité vidéo, 131 participants avec des données complètes et de haute qualité ont été inclus dans l'analyse finale.

Méthodes statistiques :

• Statistiques descriptives pour les caractéristiques de base
• Test du chi carré ou test exact de Fisher pour les variables catégorielles
• Test de Mann-Whitney U pour les variables continues
• Test de DeLong pour comparer les valeurs d'AUC entre modèles
• Intervalles de confiance à 95 % pour toutes les métriques de performance

SUIVI :

Bien que l'analyse primaire se concentre sur la prédiction peropératoire, les participants sont suivis selon les protocoles de soins cliniques standards.
Les résultats à long terme, y compris la survie sans récidive, peuvent être analysés dans de futures études.

CONSIDÉRATIONS ÉTHIQUES :

Cette étude a été approuvée par le Comité d'éthique du Premier Hôpital affilié de l'Université médicale de Chongqing (Numéro d'approbation : 2023-322).
Tous les participants ont fourni un consentement éclairé écrit avant l'inclusion.

L'étude présente un risque supplémentaire minimal pour les participants car :

• L'injection de double traceur utilise des agents déjà approuvés pour un usage clinique
• L'enregistrement vidéo est non invasif et n'affecte pas les décisions chirurgicales
• Toutes les décisions chirurgicales sont prises selon des protocoles standards
• L'analyse par apprentissage profond est réalisée rétrospectivement et n'influence pas le traitement

IMPACT POTENTIEL :

Si elle réussit, cette approche pourrait :

1. Aider les chirurgiens à prendre des décisions plus éclairées sur l'étendue de l'ablation des ganglions lymphatiques
2. Réduire la chirurgie extensive inutile chez les patients à faible risque
3. Assurer une chirurgie adéquate chez les patients à haut risque qui pourraient autrement être sous-traités
4. Fournir un support décisionnel objectif en temps réel pendant la chirurgie
5. Standardiser l'interprétation de la cartographie lymphatique entre différents chirurgiens et centres
6. Servir d'outil de formation pour les chirurgiens moins expérimentés

LIMITATIONS :

• Étude monocentrique, ce qui peut limiter la généralisabilité
• Taille d'échantillon relativement petite en raison d'exigences de qualité strictes
• L'annotation manuelle des régions d'intérêt peut introduire de la variabilité
• Les modèles d'apprentissage profond nécessitent une validation dans des cohortes externes
• La mise en œuvre en temps réel pendant la chirurgie nécessite un développement supplémentaire

DIRECTIONS FUTURES :

• Validation externe dans plusieurs centres
• Développement de logiciels de prédiction en temps réel pour un usage peropératoire
• Intégration avec d'autres modalités d'imagerie
• Essais interventionnels prospectifs pour évaluer le bénéfice clinique de la chirurgie guidée par IA