Développement de l'IRM

Rapports scientifiques volume 13, Numéro d'article : 1590 (2023) Citer cet article

495 accès

1 Altmétrique

Détails des métriques

Un diagnostic impartial et précis des lésions endométriales bénignes et malignes est essentiel pour le gynécologue, car chaque type peut nécessiter un traitement distinct. La radiomique est une méthode quantitative qui pourrait faciliter l'exploration approfondie des informations et la quantification de l'hétérogénéité des images, aidant ainsi les cliniciens à diagnostiquer correctement les lésions. Le but de cette étude est de développer un modèle prédictif approprié pour la classification des lésions endométriales bénignes et malignes, et d'évaluer l'applicabilité clinique potentielle du modèle. 139 patientes présentant des lésions endométriales confirmées pathologiquement de janvier 2018 à juillet 2020 dans deux centres indépendants (centre A et B) ont finalement été analysées. Le centre A a été utilisé pour l'ensemble d'apprentissage, tandis que le centre B a été utilisé pour l'ensemble de test. Les lésions ont été dessinées manuellement sur la plus grande tranche en fonction de la zone lésionnelle par deux radiologues. Après extraction et sélection des caractéristiques, les associations possibles entre les caractéristiques radiomiques et les paramètres cliniques ont été évaluées par régression logistique uni- et multi-variable. La courbe des caractéristiques de l'opérateur du récepteur (ROC) et la validation DeLong ont été utilisées pour évaluer les performances prédictives possibles des modèles. L'analyse de la courbe de décision (DCA) a été utilisée pour évaluer le bénéfice net du nomogramme radiomics. Un modèle de prédiction radiomique a été établi à partir des 15 caractéristiques sélectionnées et s'est avéré relativement discriminant sur la base de l'aire sous la courbe ROC (AUC) pour les cohortes d'entraînement et de test (AUC = 0,90 et 0,85, respectivement). Le nomogramme radiomique a également montré de bonnes performances de discrimination pour les cohortes d'entraînement et de test (AUC = 0,91 et 0,86, respectivement), et le test DeLong montre que les AUC étaient significativement différentes entre les paramètres cliniques et le nomogramme. Le résultat du DCA a démontré l'utilité clinique de cette nouvelle méthode de nomogramme. Le modèle prédictif construit sur la base de la radiomique IRM et des paramètres cliniques a indiqué une efficacité diagnostique élevée, impliquant ainsi son utilité clinique potentielle pour l'identification et la prédiction précises des lésions de l'endomètre.

Les lésions de l'endomètre sont des maladies courantes de l'appareil reproducteur féminin qui peuvent entraîner l'infertilité ou entraîner des saignements utérins anormaux1,2. En raison du vieillissement de la population et de l'augmentation du taux d'obésité3, l'incidence du cancer de l'endomètre (CE) augmente rapidement et il est devenu l'une des tumeurs malignes gynécologiques les plus couramment diagnostiquées dans le monde développé4. En raison de l'énorme avantage d'une résolution nettement plus élevée, l'imagerie par résonance magnétique (IRM) pourrait illustrer clairement les conditions de l'endomètre, ainsi que la base de l'option d'imagerie pour les patientes EC nouvellement diagnostiquées5. Cependant, une évaluation précise et objective des anomalies liées à l'endomètre pourrait poser une série de défis aux radiologues et aux gynécologues. D'une part, l'endomètre normal est un tissu dynamique, qui peut être principalement influencé par l'âge, le statut ménopausique, le cycle menstruel et la thérapie hormonale6. De plus, il a été constaté que les caractères d'image et les caractéristiques cliniques des lésions bénignes et malignes qui se chevauchent peuvent être détectés simultanément1,7. Les tailles variables des lésions de l'endomètre posent un défi important pour un diagnostic précis ; la présence de grandes lésions peut entraîner une apparence anormale de l'endomètre et confondre l'origine exacte de l'histologie, tandis que les petites lésions qui chevauchent fréquemment le tissu normal sont souvent ignorées8. L'échographie transvaginale et l'hystéroscopie se sont également avérées utiles pour le diagnostic des lésions de l'endomètre, mais les deux dépendent de l'expérience des chirurgiens impliqués8,9, ce qui entraîne une subjectivité et une variabilité relativement élevées. Par conséquent, une différenciation exacte et précise entre les lésions endométriales bénignes et malignes est importante pour un traitement efficace.

La radiomique, une science en développement rapide, qui peut convertir efficacement les images numériques en données exploitables de grande dimension et ainsi refléter clairement les informations biomédicales sous-jacentes à la fois aux conditions physiopathologiques et à l'hétérogénéité tumorale10,11. Il a été largement utilisé pour surveiller la progression de diverses maladies car il peut surmonter le déficit d'interprétation des images par la perception visuelle humaine et ainsi aboutir à des informations plus objectives et précises10. Notre groupe a déjà utilisé la radiomique basée sur la tomodensitométrie pour développer une approche de diagnostic automatisé pour la détection de la tumeur maligne de l'ovaire et a obtenu des résultats satisfaisants12. Il existe plusieurs rapports qui se sont concentrés sur l'évaluation précise de l'évaluation préopératoire des EC13,14,15. Cependant, un diagnostic différentiel primaire fiable des lésions de l'endomètre est également nécessaire de toute urgence pour guider le gynécologue dans le choix d'un traitement approprié. Dans cette étude, nous avons émis l'hypothèse que des biomarqueurs d'imagerie pourraient être potentiellement développés de manière non invasive pour faciliter la différenciation entre les maladies bénignes et malignes sur la base de données radiomiques IRM extraites des lésions primaires de l'endomètre.

Cette étude rétrospective a été réalisée conjointement par deux centres indépendants (centre A et B). De janvier 2018 à juillet 2020, 164 patientes présentant des lésions endométriales diagnostiquées histologiquement consécutives avec IRM préopératoire ont été recueillies indépendamment dans les centres A et B. Ces lésions endométriales englobaient des maladies endométriales bénignes et malignes, notamment la CE, l'hyperplasie endométriale, les myomes sous-muqueux, les polypes endométriaux et l'endométrite. Les critères d'inclusion utilisés étaient les suivants : (1) patientes présentant des lésions de l'endomètre vérifiées par histopathologie, (2) patientes sans antécédent ou antécédent actuel de malignité autre que les tumeurs de l'endomètre, (3) pas de traitement systémique préopératoire, (4) IRM réalisée dans les 30 jours précédant la chirurgie gynécologique. Les critères d'exclusion utilisés étaient les suivants : (1) enregistrements d'imagerie de faible qualité (n = 3), (2) sans informations chirurgicales (n = 12), (3) thérapie systémique préopératoire (n = 3), (4) tumeur maligne autre que EC (n = 2), (5) accompagnée de lésions bénignes et malignes distinctes de l'endomètre (n = 5). Enfin, un total de 139 patientes ont été incluses dans cette étude, dont 98 patientes (avec respectivement 46 et 52 patientes présentant des lésions endométriales bénignes et malignes) traitées dans le centre A ont été affectées à la cohorte de formation, tandis que les 41 patientes (avec respectivement 19 et 22 patientes correspondant à des lésions endométriales bénignes et malignes) traitées dans le centre B ont été affectées à la cohorte test. Un aperçu du flux de travail de l'étude a été illustré à la Fig. 1.

Un diagramme illustrant un aperçu du flux de travail de l'étude.

Les images IRM ont été obtenues en utilisant le scanner 3 T Trio Siemens (centre A) et le scanner 3 T Magnetom Skyra Siemens (centre B) avec des bobines abdominales à réseau phasé. Tous les patients devaient respirer librement en décubitus dorsal pendant l'acquisition des données. Les séquences suivantes ont été obtenues : imagerie axiale pondérée en T1 (T1WI), imagerie axiale pondérée en T2 (T2WI), imagerie coronale et sagittale pondérée en T2 avec saturation de la graisse (FS T2WI) et imagerie pondérée en diffusion (DWI) avec une valeur ab de 0 et 800 s/mm2 avec une carte du coefficient de dispersion apparent (ADC). Les images FS T2WI ont été acquises en utilisant l'écho de spin turbo avec saturation de graisse (temps de répétition (TR)/temps d'écho (TE) = 3960/84, matrice = 512 × 512, champ de vision (FOV) = 350 × 350 mm2, épaisseur de tranche = 4,0 mm, moyenne = 1, taille de voxel = 0,8 × 0,8 × 4,0 mm3 pour le centre A et TR/TE = 3200/ 101, matrice = 512 × 512, FOV = 207 × 207 mm2, épaisseur de tranche = 4,0 mm, moyenne = 2, taille de voxel = 0,6 × 0,6 × 4,0 mm3 pour le centre B).

Toutes les régions d'intérêt (ROI) ont été segmentées à l'aide du logiciel ITK-SNAP (version 3.8.0, www.itksnap.org) à partir de l'image DICOM de base. La segmentation manuelle de la ROI a été réalisée à partir de la plus grande tranche de diamètre lésionnel16 en séquence sagittale FS T2WI par un radiologue (lecteur A, avec 5 ans d'expérience en IRM abdominale) qui était aveugle aux données histopathologiques des patients. Un mois plus tard, un autre radiologue (lecteur B, avec 10 ans d'expérience en IRM abdominale) a sélectionné au hasard des images obtenues à partir de 30 images différentes et a répété les dessins ROI manuels. Les caractéristiques extraites des ROI de deux lecteurs différents ont été calculées à l'aide du coefficient de corrélation intra-classe (ICC).

Le rééchantillonnage spatial a été effectué avant l'extraction des caractéristiques. Les données DICOM originales du FS T2WI sagittal et les ROI 2D appariées ont été rééchantillonnées par 1 × 1 × 1 voxel. Les caractéristiques radiomiques, y compris l'histogramme, le facteur de forme, Haralick, la matrice de cooccurrence de niveau de gris (GLCM), la matrice de taille de zone de niveau de gris (GLZSM) et la matrice de longueur d'exécution de niveau de gris (GLRLM) ont ensuite été calculées par le logiciel AK (Artificial Intelligence Kit V 3.0.0R, GE Healthcare). GLCM et GLRLM dans quatre directions différentes (0°, 45°, 90°, 135°) et trois décalages1,4,7 ont été calculés pour décrire la distribution ou les modèles spatiaux possibles. Enfin, chaque retour sur investissement a abouti à l'extraction de 396 caractéristiques distinctes.

Trois étapes ont été utilisées pour le prétraitement des données. Premièrement, les valeurs aberrantes ont été remplacées par la médiane des mêmes caractéristiques. Deuxièmement, la normalisation du score z est appliquée pour éliminer les différences dans l'échelle de valeur des caractéristiques. Troisièmement, les patients traités dans le centre A ont été affectés à l'ensemble d'entraînement (n = 98) et l'ensemble de test était composé uniquement de patients du centre B (n = 41). Les centres A et B sont deux institutions différentes avec des données de patients et des équipements d'IRM différents, ce qui est préférable pour évaluer la généralisation des modèles en les utilisant respectivement comme ensembles de formation et de test.

Avant la réduction des fonctionnalités, le coefficient de corrélation intraclasse (ICC) a été calculé pour chaque fonctionnalité du lecteur A et du lecteur B afin de supprimer les fonctionnalités peu reproductibles et moins robustes. De plus, seules les caractéristiques d'image avec ICC> 0,75 ont été considérées comme des caractéristiques qualifiées, indiquant ainsi une reproductibilité et un accord élevés14, et ont été réservées pour un calcul ultérieur.

Le package de redondance minimale de pertinence maximale (mRMR) du logiciel R (version 3.4.4) a été utilisé pour supprimer les fonctionnalités redondantes et non pertinentes au préalable dans l'ensemble de données de formation, et les 20 fonctionnalités les plus importantes ont été conservées. L'algorithme de l'opérateur de réduction et de sélection le moins absolu (LASSO)17 a été utilisé pour compresser efficacement les coefficients des caractéristiques extraites et amener les coefficients de régression à devenir nuls, en construisant une fonction de pénalité spécifique, de manière à obtenir une réduction efficace des caractéristiques supplémentaires. Dans ce processus, la validation croisée décuplée a ensuite été utilisée pour calculer avec précision le paramètre optimal λ, qui a été obtenu à la valeur minimale de la fonction objective du modèle de régression LASSO.

Les caractéristiques finales sélectionnées ont été utilisées pour construire le modèle radiomique, sous le paramètre optimal λ de l'algorithme LASSO. La signature radiomique a été obtenue pour la somme du produit des caractéristiques finales sélectionnées et de la valeur pondérée de leurs coefficients correspondants, ce qui équivalait au score radiomique (radscore).

Dans la cohorte de formation, une régression logistique univariée a été effectuée pour dépister potentiellement les différents paramètres cliniques des lésions de l'endomètre, notamment l'âge18, l'indice de masse corporelle (IMC)19,20, le statut de la ménopause21, ainsi que les conditions d'hypertension et de diabète22. La régression logistique multivariée et la régression par étapes ont été utilisées pour choisir l'indicateur significatif, afin de faciliter le développement d'un modèle de nomogramme plus complet et efficace pour la différenciation des maladies endométriales bénignes et malignes. De plus, le nouveau modèle de nomogramme qui combinait les paramètres cliniques et le Radscore a été établi, basé sur la régression logistique multivariée.

La courbe des caractéristiques de fonctionnement du récepteur (ROC) a été utilisée pour évaluer la capacité discriminatoire des modèles. Les patientes de deux centres ont ensuite été classées en groupes de probabilité bénigne ou maligne en fonction des valeurs seuils de la courbe ROC, et la méthode du nomogramme pouvait indiquer avec précision la probabilité d'apparition d'une tumeur maligne de l'endomètre. Le test Hosmer-Lemeshow et les courbes d'étalonnage ont été utilisés pour évaluer les performances du modèle. Enfin, l'analyse de la courbe de décision (DCA) a également été réalisée pour valider la faisabilité du nomogramme.

L'analyse statistique a été réalisée en utilisant le logiciel SPSS 22.0 et le logiciel R. Les données de comptage entre les échantillons ont été comparées par le test χ2. La normalité des données a été vérifiée par le test de Kolmogorov-Smirnov. Tous les différents paramètres des deux ensembles de données ont été comparés statistiquement. Les données distribuées normalement ont été analysées par le test t et les données distribuées asymétriques ont été analysées par le test U de Mann-Whitney. L'efficacité diagnostique prédictive des modèles a également été évaluée par l'aire sous la courbe ROC (AUC) et son intervalle de confiance à 95 % (IC à 95 %) pour déterminer la spécificité, la sensibilité et l'exactitude des données.

Cette étude rétrospective basée sur l'utilisation de données anonymes a été approuvée par le comité d'éthique de l'hôpital populaire provincial du Jiangxi, et l'exigence de consentement éclairé a été levée. Toutes les procédures effectuées dans les études impliquant des participants humains étaient conformes aux normes éthiques de l'institution (hôpital populaire provincial du Jiangxi) et/ou du comité de recherche national et à la déclaration d'Helsinki de 1964 et à ses modifications ultérieures ou à des normes éthiques comparables.

Globalement, en ce qui concerne les indicateurs d'âge, d'IMC, de statut de la ménopause, de prévalence de l'hypertension et du diabète, aucune différence significative n'a été observée entre les cohortes d'entraînement et de test, comme le montre le tableau 1. Cependant, il existe des différences statistiques sur les différents paramètres cliniques (âge, ménopause) entre les maladies endométriales bénignes et malignes pour la cohorte d'entraînement (p < 0,05), mais aucun paramètre clinique significatif pour la cohorte de test (p > 0,05).

Le modèle de prédiction composé du paramètre clinique pour classer les lésions endométriales bénignes et malignes a renvoyé les mesures de performance suivantes. L'ASC était de 0,70 (avec un IC à 95 % de 0,60 à 0,80) et la spécificité, la sensibilité et l'exactitude ont été observées à 54,3, 80,8 et 68,4 % respectivement dans la cohorte d'entraînement. Pour la cohorte de test, l'ASC était de 0,65 (avec un IC à 95 % de 0,49 à 0,81) et la spécificité, la sensibilité et l'exactitude se sont avérées être respectivement de 57,9, 72,7 et 65,9 % (voir tableau 2).

Les fonctionnalités avec ICC < 0,75 ont été supprimées, laissant 271/396 fonctionnalités (68,4%). Après sélection des différentes caractéristiques et réduction des dimensions, les 15 principales caractéristiques importantes ont finalement été sélectionnées, et celles-ci ont été utilisées pour la construction du modèle de signature radiomique (voir Fig. 2). Les résultats ont indiqué une bonne performance de prédiction pour les données d'entraînement et de test avec seulement des différences marginales. Il a été constaté que le modèle de signature radiomique présentait une performance satisfaisante avec des valeurs d'AUC de 0,90 (avec un IC à 95 % 0,84-0,96) et 0,85 (avec un IC à 95 % 0,72-0,98) dans les cohortes d'entraînement et de test, des valeurs de spécificité de 76,1 et 57,9 %, des valeurs de sensibilité de 94,2 et 95,5 % et des valeurs de précision de 85,7 et 7 8,0 %, respectivement (voir tableau 2). Le radscore a montré une discrimination significativement meilleure à la fois dans les données de formation et de test, par rapport au modèle de paramètres cliniques, indiquant ainsi la puissance élevée de la signature radiomique dans le diagnostic différentiel des maladies de l'endomètre (Fig. 3).

La sélection des différentes caractéristiques et la réduction des dimensions ont été réalisées à l'aide de la méthode LASSO. (a) Une validation croisée décuple a été utilisée pour choisir le paramètre optimal (λ) avec les critères minimaux, déterminant ainsi le nombre de caractéristiques. (b) Coefficients pour le paramètre optimal (λ). Une ligne verticale a été tracée à la valeur sélectionnée de log (λ) et a montré les coefficients non nuls. (c) Les caractéristiques finales sélectionnées et les coefficients correspondants.

Comparaison Radscore des lésions bénignes et malignes de l'endomètre sur la cohorte d'entraînement et de test, respectivement (à gauche : cohorte de formation ; à droite : cohorte de test).

L'âge, la ménopause, l'hypertension ont ensuite été filtrés en tant que prédicteurs potentiellement cliniques des lésions de l'endomètre en utilisant un modèle de régression logistique univariée (p < 0,1). Pour une identification correcte des maladies endométriales bénignes et malignes chez les patientes, le sous-ensemble le plus prédictif de paramètres cliniques (âge et ménopause) a été sélectionné car ils ont obtenu la plus petite valeur du critère d'information d'Akaike (AIC) dans la régression par étapes. La régression logistique multivariée a finalement produit les trois prédicteurs significatifs, notamment le radscore, l'âge, la ménopause, et a conduit à la construction d'un modèle de prédiction et d'un nomogramme plus complets et plus robustes (Fig. 4).

( a ) Un nomogramme radiomique pour déterminer la discrimination entre les lésions endométriales bénignes et malignes, qui a été développé dans la cohorte de formation. (b) Les courbes d'étalonnage de l'ensemble d'apprentissage (à gauche) et de l'ensemble de test (à droite).

Le nomogramme radiomique a montré un excellent potentiel d'étalonnage dans la prédiction des propriétés des lésions de l'endomètre à travers les courbes d'étalonnage pour les cohortes d'entraînement et de test (Fig. 4), mais le test Hosmer-Lemeshow n'a indiqué aucune signification statistique (p> 0, 05). Les ASC du nomogramme radiomique étaient de 0,91 (avec un IC à 95 % de 0,86 à 0,97) et de 0,86 (avec un IC à 95 % de 0,74 à 0,98) pour les ensembles d'entraînement et de test, respectivement (Fig. 5). La spécificité, la sensibilité et la précision étaient de 91,3, 75,0, 82,7 % pour l'ensemble d'apprentissage et de 76,2 %, 85,0 %, 80,5 % pour l'ensemble de test, respectivement (tableau 2).

(a) La courbe ROC et les valeurs AUC correspondantes pour le nomogramme, la signature radiomique et les modèles de paramètres cliniques pour l'identification des lésions bénignes et malignes de l'endomètre (à gauche : cohorte d'entraînement ; à droite : cohorte de test). (b) L'analyse de la courbe de décision a été utilisée pour évaluer le bénéfice clinique des modèles. Les lignes vertes, bleues et rouges correspondent respectivement aux modèles de paramètre clinique, de signature radiomique et de nomogramme radiomique. La ligne noire représente une situation extrême où tous les indicateurs sont positifs, tandis que la ligne rouge horizontale représente l'autre situation extrême où tous les indicateurs analysés sont négatifs.

Sur la base des résultats du test DeLong, il a été observé que les ASC des modèles étaient significativement différentes entre les index cliniques et le nomogramme dans les cohortes d'entraînement et de test (p <0,05, voir tableau 3), ce qui indiquait une performance de prédiction favorable pour le nomogramme sur les deux cohortes. De plus, selon la valeur seuil de 0,566 pour l'indice de Youden, le nomogramme pourrait potentiellement évaluer le score de risque de lésions de l'endomètre et faciliter la catégorisation des patientes en groupes à faible et à haut risque. La figure 5 illustre le tracé DCA du nomogramme radiomics. Les résultats ont indiqué une meilleure performance de prédiction des risques de la méthode de nomogramme développée par rapport au modèle de paramètres cliniques.

Le principal résultat de cette étude a été la construction du nouveau modèle de classification basé sur la radiomique, qui peut différencier efficacement les patientes atteintes de lésions endométriales bénignes et malignes. Les modèles de nomogramme et de radiomique montrent une meilleure efficacité que le modèle des paramètres cliniques, ce qui implique la valeur clinique de la détection préopératoire et non invasive de la CE. Bien que les modèles de nomogramme et de radiomique présentent une valeur AUC comparable, le nomogramme pourrait quantifier la probabilité de risque de lésions de l'endomètre plutôt que des caractéristiques de grande dimension illisibles.

La robustesse des caractéristiques extraites des images est essentielle pour le développement de la radiomique. La segmentation des cibles, l'extraction des caractéristiques, la sélection des caractéristiques et la mise en œuvre du modèle de classification sont affectées par une forte variabilité inter- et intra-observateur23. Nous avons choisi la segmentation manuelle car l'ensemble de données de cette étude est relativement petit et l'ICC a été calculé pour améliorer la robustesse et la reproductibilité des caractéristiques. Les radiologues peuvent délimiter manuellement les cibles de manière flexible, ce qui permet une segmentation très précise et la segmentation manuelle est un moyen plus intuitif et plus facile à mettre en œuvre pour obtenir une lésion cible. Néanmoins, la segmentation manuelle demande beaucoup de travail, prend du temps et n'est pas toujours réalisable pour l'analyse radiomique nécessitant d'énormes ensembles de données. L'utilisation de la méthode de segmentation automatique ou semi-automatique pourrait résoudre le problème de l'opérateur fortement dépendant. Par conséquent, la plupart des études radiomiques avec de grands ensembles de données étaient basées sur des méthodes de segmentation automatiques ou semi-automatiques. De nombreux algorithmes de délimitation semi-automatique, tels que la croissance de région ou le seuillage, sont utilisés dans l'environnement clinique bien que moins précis que la segmentation manuelle24.

L'étude s'est concentrée sur les images FS T2WI pour l'extraction de données radiomiques, car il y avait des démonstrations informatives dans des études radiomiques précédemment rapportées25,26. De plus, les images ADC possèdent une exigence élevée d'uniformité du champ magnétique et se sont avérées plus sensibles aux artefacts, en particulier dans la région pelvienne13. Le T1WI avec produit de contraste dynamique n'a pas été considéré comme la séquence conventionnelle pour certaines maladies endométriales bénignes. Ici, les 15 caractéristiques extraites étaient composées des différents paramètres de facteur de forme, Haralick, GLRLM et GLCM. Les caractéristiques du facteur de forme comprenaient des descripteurs détaillés de la taille et de la forme tridimensionnelles de la région de la lésion27, indiquant ainsi le rôle de la taille de la lésion en tant que prédicteur important du diagnostic différentiel des maladies de l'endomètre28. Les caractéristiques GLCM pourraient également décrire la complexité et le changement de niveau des valeurs en quantifiant la distribution de la matrice de cooccurrence29. L'entropie et l'inertie du GLCM peuvent refléter à la fois le caractère aléatoire de l'image d'intensité et la clarté de l'image respectivement. De plus, l'énergie des paramètres GLCM et Haralick a souligné l'uniformité, connue sous le nom d'homogénéité locale29. Le CLRLM présente principalement la rugosité et la directionnalité réfléchies de la texture30.

L'analyse radiomique a déjà été appliquée contre les troubles de l'endomètre et a montré des résultats supérieurs, en particulier pour la CE. Par exemple, Yan et al. construit un modèle radiomique, qui pourrait évaluer avec précision les conditions du ganglion lymphatique pelvien, aidant ainsi au diagnostic préopératoire de la métastase lymphatique de l'EC31. De plus, une autre étude a développé des modèles innovants d'apprentissage automatique en radiomique clinique et a tenté d'identifier les diverses anomalies moléculaires de la CE à partir d'images CT à contraste amélioré de manière non invasive32. Le principal avantage du nomogramme est que les résultats peuvent fournir la stratification exacte du risque avec une image IRM générale. Les résultats du nomogramme contiennent une probabilité objective et spécifique des scores corrects d'EC9, même si le modèle ne peut pas être le niveau idéal de pathologie et que la mauvaise classification est inévitable. Il a été constaté qu'il peut parfois être difficile pour les radiologues et les gynécologues de porter un jugement précis sur leurs diagnostics en préopératoire. La possibilité d'utiliser la probabilité objective est un avantage significatif pour le diagnostic qui pourrait compenser une erreur de jugement de la part des cliniciens. De plus, comme le nomogramme peut fournir des informations précises sur ces facteurs à haut risque à partir d'images IRM avant le traitement, il pourrait aider à dépister efficacement les patients EC qui pourraient nécessiter une chirurgie plus étendue avec une stratification des risques préopératoires pour une sélection optimale, tout en minimisant le surtraitement des patients à faible risque.

Il y a peu de limites associées à cette étude. Premièrement, le nombre de patientes inscrites était relativement faible, en particulier dans le cas des patientes présentant des lésions endométriales bénignes qui comprenaient plusieurs sous-types. De plus, seuls cinq types courants de lésions de l'endomètre ont été analysés dans l'étude, et les cas à faible incidence n'ont pas été inclus. Deuxièmement, l'étude n'a pas effectué l'analyse volumétrique, car elle nécessite beaucoup plus de temps et d'efforts. Par conséquent, certaines caractéristiques importantes liées à l'hétérogénéité intrinsèque pourraient avoir été manquées pour la méthode bidimensionnelle. Le manque d'étude multi-images est une autre limitation principale. Théoriquement, toutes les séquences IRM peuvent être exploitées pour obtenir d'énormes informations. Une validation supplémentaire utilisant des études prospectives est également nécessaire. Il pourrait également être essentiel de confirmer la robustesse et l'applicabilité du modèle de prédiction, en évitant soigneusement les biais intrinsèques et le surajustement33. Par conséquent, un ensemble de données plus grand et plus riche sera nécessaire pour renforcer considérablement notre modèle et valider davantage la capacité de généralisation, afin que le modèle puisse être appliqué avec succès à plusieurs conditions différentes.

Cette étude a construit un modèle de nomogramme visualisé en combinant les signatures radiomiques et les paramètres cliniques. Le modèle de nomogramme a montré une énorme valeur d'application clinique pour prédire la probabilité objective de classification non invasive des lésions de l'endomètre, et peut donc aider les gynécologues à évaluer et à concevoir des stratégies de traitement personnalisées. Cependant, des efforts supplémentaires doivent être faits pour améliorer encore les applications et la robustesse du modèle, afin qu'il devienne un véritable outil de stratification des risques à utiliser chez les patientes présentant des lésions de l'endomètre en clinique.

Les ensembles de données utilisés et/ou analysés au cours de la présente étude sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Coefficient de dispersion apparent

Critère d'information d'Akaike

Aire sous la courbe caractéristique de fonctionnement du récepteur

Indice de masse corporelle

Intervalle de confiance

Tomodensitométrie

Analyse de la courbe de décision

Imagerie pondérée en diffusion

Cancer de l'endomètre

Champ de vision

Image pondérée en T2 avec saturation de la graisse

Matrice de cooccurrence de niveaux de gris

Matrice de longueur de plage de niveaux de gris

Matrice de taille de zone de niveau de gris

Coefficient de corrélation intra-classe

L'opérateur de retrait et de sélection le moins absolu

Imagerie par résonance magnétique

Pertinence maximale Redondance minimale

Caractéristique de fonctionnement du récepteur

Région d'intérêt

Temps d'écho

Temps de répétition

Image pondérée en T1

Image pondérée en T2

Bacon, JL Saignements utérins anormaux : classification actuelle et prise en charge clinique. Obstét. Gynécol. Clin. Amérique du Nord. 44(2), 179 (2017).

Article Google Scholar

Vander Borght, M. & Wyns, C. Fertilité et infertilité : définition et épidémiologie. Clin. Biochimie. 62, 2–10 (2018).

Article Google Scholar

Bafligil, C. et al. Association entre les polymorphismes génétiques et le risque de cancer de l'endomètre : une revue systématique. J. Med. Genet. 57(9), 591–600 (2020).

Article CAS Google Scholar

Siegel, RL, Miller, KD et Jemal, A. Statistiques sur le cancer, 2019. CA : A Cancer J. Clin. 69(1), 7–34 (2019).

Google Scholar

Nougaret, S. et al. Stadification IRM du cancer de l'endomètre : directives mises à jour de la Société européenne de radiologie urogénitale. EUR. Radiol. 29(2), 792–805 (2019).

Article Google Scholar

Nalaboff, KM, Pellerito, JS & Ben-Levi, E. Imagerie de l'endomètre : maladie et variantes normales. Radiographies 21(6), 1409–1424 (2001).

Article CAS Google Scholar

Kierans, AS, Bennett, GL, Haghighi, M. & Rosenkrantz, AB Utilité des caractéristiques d'IRM conventionnelles et pondérées en diffusion pour distinguer les lésions endométriales bénignes des lésions malignes. EUR. J. Radiol. 83(4), 726–732 (2014).

Article Google Scholar

Bakir, B. et al. Rôle de l'IRM pondérée en diffusion dans le diagnostic différentiel du cancer de l'endomètre, du polype, de l'hyperplasie et de l'épaississement physiologique. Clin. Imagerie 41, 86–94 (2017).

Article Google Scholar

Zhang, Y. et al. Modèle d'apprentissage en profondeur pour la classification des lésions de l'endomètre. J. Trad. Méd. 19(1), 10 (2021).

Article CAS Google Scholar

Gillies, RJ, Kinahan, PE & Hricak, H. Radiomics : Les images sont plus que des images, ce sont des données. Radiologie 278(2), 563–577 (2016).

Article Google Scholar

Rizzo, S. et al. Radiomics: Les faits et les défis de l'analyse d'images. EUR. Radiol. Exp. 2(1), 36 (2018).

Article Google Scholar

Li, S. et al. Une approche radiomique pour le diagnostic automatisé de la malignité du néoplasme ovarien en tomodensitométrie. Sci. Rep. 11(1), 8730 (2021).

Article ADS CAS Google Scholar

Stanzione, A. et al. Infiltration myométriale profonde du cancer de l'endomètre sur IRM : une étude pilote d'apprentissage automatique basée sur la radiomique. Acad. Radiol. 28(5), 737–744 (2021).

Article Google Scholar

Fasmer, KE et al. Radiomics IRM tumorale à volume entier pour la modélisation pronostique du cancer de l'endomètre. J. Magn. Réson. Imagerie 53(3), 928–937 (2021).

Article Google Scholar

Chen, X. et al. Apprentissage profond pour la détermination de la profondeur d'invasion myométriale et l'identification automatique des lésions dans l'imagerie IRM du cancer de l'endomètre : une étude préliminaire dans une seule institution. EUR. Radiol. 30(9), 4985–4994 (2020).

Article Google Scholar

Ueno, Y. et al. Carcinome de l'endomètre : modèle de texture basé sur l'imagerie par résonance magnétique pour la stratification du risque préopératoire - Une analyse préliminaire. Radiologie 284(3), 748–757 (2017).

Article Google Scholar

Kato, T. & Uemura, M. Analyse de période à l'aide de l'opérateur de sélection et de retrait le moins absolu (Lasso). Publ. Astre. Soc. Japon 64(6), 122 (2012).

Annonces d'article Google Scholar

Château, PE et al. Relation entre la cytologie atypique des cellules glandulaires, l'âge et la détection du papillomavirus humain et les risques de cancer du col de l'utérus et de l'endomètre. Obstét. Gynécol. 115(2 Pt 1), 243–248 (2010).

Article Google Scholar

Nagle, CM et al. Impact du changement de poids et du cycle de poids sur le risque de différents sous-types de cancer de l'endomètre. EUR. J. Cancer 49(12), 2717–2726 (2013).

Article CAS Google Scholar

Crosbie, EJ, Zwahlen, M., Kitchener, HC, Egger, M. et Renehan, AG Indice de masse corporelle, hormonothérapie substitutive et risque de cancer de l'endomètre : une méta-analyse. Épidémiologie du cancer. Biomarque. Préc. 19(12), 3119–3130 (2010).

Article CAS Google Scholar

Xu, WH et al. Facteurs menstruels et reproductifs et risque de cancer de l'endomètre : résultats d'une étude cas-témoins basée sur la population dans la ville de Shanghai. Int. J. Cancer 108(4), 613–619 (2004).

Article CAS Google Scholar

Wijaya, C. Le diabète sucré et l'hypertension sont des facteurs de risque de cancer de l'endomètre. Indonésiens. J. Obstet. Gynécol. https://doi.org/10.32771/inajog.v36i3.314 (2016).

Article Google Scholar

van Timmeren, JE, Cester, D., Tanadini-Lang, S., Alkadhi, H. & Baessler, B. Radiomique en imagerie médicale - guide "comment faire" et réflexion critique. Insights Imaging 11(1), 91 (2020).

Article Google Scholar

Stefano, A. et al. Robustesse des caractéristiques radiomics TEP : impact de la co-inscription avec l'IRM. Appl. Sci. 11(21), 10170 (2021).

Article CAS Google Scholar

Shu, Z. et al. Nomogramme Radiomics basé sur l'IRM pour détecter le cancer rectal primitif avec métastases hépatiques synchrones. Sci. Rep. 9(1), 3374 (2019).

Annonces d'article Google Scholar

Kocak, B. et al. Prédiction de la réponse aux analogues de la somatostatine dans l'acromégalie : analyse de texture quantitative haute dimension basée sur l'apprentissage automatique sur l'IRM pondérée en T2. EUR. Radiol. 29(6), 2731–2739 (2019).

Article Google Scholar

Limkin, EJ et al. La complexité de la forme de la tumeur, la spiculabilité, est en corrélation avec les caractéristiques de la forme radiomique de la tumeur. Sci. Rep. 9(1), 4329 (2019).

Annonces d'article Google Scholar

Sozzi, G. et al. La taille tumorale, un facteur de risque supplémentaire de récidive locale dans le cancer de l'endomètre à faible risque : une large étude rétrospective multicentrique. Int. J. Gynécol. Cancer 28(4), 684–691 (2018).

Article Google Scholar

Dhruv, B., Mittal, N. & Modi, M. Etude de l'analyse de texture Haralick et GLCM sur des images médicales 3D. Int. J. Neurosci. 129(4), 350–362 (2019).

Article Google Scholar

Chu, H. et al. Valeur de la radiomique IRM basée sur des images T1WI améliorées dans la prédiction du grade des méningiomes. Acad. Radiol. 28(5), 687–693 (2021).

Article Google Scholar

Yan, BC et al. Radiologues avec des aides radiomiques basées sur l'IRM pour prédire la métastase des ganglions lymphatiques pelviens dans le cancer de l'endomètre : une étude multicentrique. EUR. Radiol. 31(1), 411–422 (2021).

Article CAS Google Scholar

Veeraraghavan, H. et al. Prédiction basée sur l'apprentissage automatique de l'instabilité des microsatellites et de la charge élevée de mutations tumorales de la tomodensitométrie à contraste amélioré dans les cancers de l'endomètre. Sci. Rep. 10(1), 17769 (2020).

Article ADS CAS Google Scholar

Ji, GW et al. Cancer des voies biliaires au scanner : un modèle basé sur la radiomique pour prédire les métastases ganglionnaires et les résultats de survie. Radiologie 290(1), 90–98 (2019).

Article Google Scholar

Télécharger les références

Cette étude a été soutenue par le financement du département des sciences et de la technologie de la province du Jiangxi (subventions n° 20202BABL206112) et la commission de financement de la santé de la province du Jiangxi (subventions n° 20203036 et 202110004).

Ces auteurs ont contribué à parts égales : Jiaqi Liu et Shiyun Li.

Département de radiologie, Hôpital populaire provincial du Jiangxi, Premier hôpital affilié au Collège médical de Nanchang, 152 Aiguo Road, Nanchang, 330006, Chine

Jiaqi Liu, Bing Fan et Juhong Yu

Département de gynécologie, Hôpital populaire provincial du Jiangxi, Premier hôpital affilié au Collège médical de Nanchang, Nanchang, Chine

Shiyun Li et Puying Luo

GE Healthcare, Hangzhou, Chine

Huashan Lin et Peiei Pang

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Conception et design : BF, JHY et JQL ; Patients et collecte de données cliniques : SYL et PYL ; Collecte de données d'image : JQL et SYL ; Délimitation du retour sur investissement : JQL et BF ; Analyse des données : PPP et JQL ; Rédaction de manuscrits : JQL, HSL, BF, JHY et PPP ; Approbation finale du manuscrit : Tous les auteurs.

Correspondance avec Bing Fan ou Juhong Yu.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Liu, J., Li, S., Lin, H. et al. Développement d'un modèle prédictif radiomique basé sur l'IRM pour la classification des lésions de l'endomètre. Sci Rep 13, 1590 (2023). https://doi.org/10.1038/s41598-023-28819-2

Télécharger la citation

Reçu : 09 avril 2022

Accepté : 25 janvier 2023

Publié: 28 janvier 2023

DOI : https://doi.org/10.1038/s41598-023-28819-2

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.

Blog