Journal of Neuroradiology | 2021
Analyse automatique de caractéristiques radiomiques pour le diagnostic des tumeurs de la glande parotide
Abstract
Objectifs Le but de cette etude est d’etudier les performances de l’analyse radiomique IRM dans le cadre du diagnostic des tumeurs des glandes parotides utilisant des methodes d’apprentissage automatique (machine learning). Nous evaluerons egalement l’impact des modeles de classification radiomique sur les interpretations de radiologues experimentes et d’internes suivant un cursus de formation dans cette specialite. Methodes Un total de 145\xa0patients ont participe a cette etude monocentrique (Gustave Roussy cancer campus). Deux tâches de classification ont ete considerees\xa0: classification binaire benin/malin, et classification en 5\xa0classes correspondant aux sous-types histologiques (adenome pleomorphe, tumeur de Warthin, lymphome, carcinome et autres types). Nous developpons plusieurs modeles d’apprentissage automatique en utilisant des features suivant le standard IBSI, extraites des sequences T1, T2\xa0FLAIR, T1\xa0gadolinium et diffusion de chaque patient. Ces modeles sont ensuite evalues a l’aide d’une procedure de validation croisee et des courbes ROC associees. Enfin, nous verifions la capacite du meilleur modele a aider les radiologues experts et internes a differencier les tumeurs. Resultats Les resultats et figures presentes ci-apres sont preliminaires\xa0: l’etude est en cours de developpement. Classification binaire benin/malin\xa0: Un modele de Random Forest donne une AUC moyenne de 0,663\xa0±\xa00,04\xa0et une accuracy de 0,64\xa0±\xa00,06 ( Fig. 1 ). En utilisant une procedure de selection de features ayant recours a un test F ANOVA, nous obtenons une AUC moyenne de 0,691\xa0±\xa00,12\xa0et une accuracy de 0,66\xa0±\xa00,11. Classification en sous-types histologiques\xa0: strategie One-vs-Rest. Adenome pleomorphe vs autres\xa0: AUC\xa0=\xa00,81\xa0±\xa00,05, accuracy\xa0=\xa00,76\xa0±\xa00,06. Tumeur de Warthin vs autres\xa0: AUC\xa0=\xa00,82\xa0±\xa00,12, accuracy\xa0=\xa00,80\xa0±\xa00,06. Lymphome vs autres\xa0: pas assez d’exemples dans le jeu d’entrainement, l’utilisation d’une methode de reechantillonnage est a prevoir. Carcinome vs autres\xa0: AUC\xa0=\xa00,63\xa0±\xa00,10, accuracy\xa0=\xa00,64\xa0±\xa00,04. Comparaison aux radiologues experts et internes\xa0: en cours de realisation. Conclusions Les resultats preliminaires de classification binaire indiquent qu’il est possible d’utiliser des algorithmes d’apprentissage automatique etablis sur des features radiomiques pour differencier la malignite des tumeurs de la glande parotide. Cependant, ces resultats pourraient etre ameliores grâce a un volume de donnees plus important. Il est a remarquer que cette tâche binaire est egalement complexe pour les radiologues\xa0: en effet, il n’existe pas de lien tangible entre les differents sous-types histologiques qui puisse expliquer la malignite ou non d’une tumeur. Concernant la classification multi-classe, il apparait que les adenomes pleomorphes et les tumeurs de Warthin sont les plus simples a categoriser. Or, il s’agit de tumeurs benignes\xa0: les carcinomes se revelent plus difficilement differentiables alors qu’ils sont malins. Toutefois, a l’heure ou ce document est ecrit, il reste plusieurs axes de recherche possibles que nous etudierons prochainement ( Fig. 2 ).