Article de méthode

Radiomique par tomographie computed préopératoire pour la classification des modes de récidive du cancer du poumon non à petites cellules T3–T4

38 vues

⸱

DOI :

10.3791/70929

⸱

22 septembre 2026

 ,  ,  ,  ,  ,  ,  ,  , 
1School of Medical Imaging, Nanjing Medical University, 2Department of Radiology, Southeast University, 3Department of Radiology, Jinling Hospital, 4Stanford Center for Biomedical Informatics Research (BMIR), Department of Medicine

Dans cet article

Résumé

Un modèle radiomique basé sur un scanner préopératoire, combinant des caractéristiques tumorales et péri-tumorales, prédit efficacement la récidive locale postopératoire par rapport à la progression métastatique à distance après la résection complète d'un cancer du poumon non à petites cellules de stade T3–4.

Résumé

La récidive locale après chirurgie reste un défi clinique majeur chez les patients atteints d'un cancer du poumon non à petites cellules (CPNPC) de stade T3 et T4. Face à l'absence de stratégie standardisée basée sur l'imagerie préopératoire pour caractériser la récidive locale, un cadre radiomique fondé sur la tomodensitométrie (TDM) est proposé afin de capturer l'hétérogénéité intratumorale et péri-tumorale et de distinguer la récidive locale des métastases à distance après une résection R0. Le protocole proposé intègre des caractéristiques radiomiques extraites des régions tumorale et péri-tumorale sur des images TDM préopératoires avec injection de produit de contraste. La cohorte d'application comprenait 103 patients ayant un CPNPC T3–T4, N0–2, M0 confirmé histologiquement et ayant bénéficié d'une chirurgie avec résection R0 entre janvier 2013 et décembre 2020. Parmi eux, 33 ont présenté une récidive locale et 70 des métastases à distance. Toutes les étapes de prétraitement, de sélection des caractéristiques, de normalisation, d'ajustement des hyperparamètres, d'ajustement du modèle et de détermination du seuil ont été limitées à la cohorte d'apprentissage. Des modèles radiomiques basés uniquement sur la tumeur, sur la région péri-tumorale, ou combinés ont été évalués sur une cohorte de validation indépendante. Les caractéristiques cliniques, la localisation tumorale, les paramètres biologiques préopératoires et les informations sur le traitement ont été recueillis. Des représentations radiomiques spécifiques à la tumeur, ainsi que des représentations combinées tumeur–péri-tumeur, ont été construites et évaluées afin de caractériser le comportement du cadre proposé. Dans la cohorte de validation, la représentation radiomique péri-tumorale a montré une meilleure discrimination par rapport aux caractéristiques tumorales seules, tandis que le cadre combiné tumeur–péri-tumeur a présenté les performances les plus stables et les plus reproductibles (AUC = 0,80). Ce protocole constitue une démonstration préliminaire d'un flux de travail radiomique TDM standardisé permettant de différencier les schémas d'échec postopératoire après résection R0 ; une validation externe multicentrique est nécessaire avant toute application clinique.

Introduction

La résection chirurgicale complète demeure le traitement standard pour les patients atteints d'un cancer du poumon non à petites cellules (CPNPC) résécable, y compris ceux présentant un CPNPC localement avancé (CPNPC-LA). Le statut pathologique des marges a des implications pronostiques et thérapeutiques immédiates : R0 indique l'absence de tumeur résiduelle, R1 indique une tumeur résiduelle microscopique, et R2 indique une tumeur résiduelle macroscopique. Une résection incomplète est associée à des résultats défavorables et peut influencer le traitement postopératoire1,2,3,4. Par conséquent, une caractérisation précise du risque de récidive locale constitue un élément essentiel de la planification du traitement dans le cas du CPNPC localement avancé.

Dans la pratique clinique actuelle, l'examen anatomopathologique est considéré comme la méthode de référence pour déterminer la marge pathologique. Toutefois, un biais d'échantillonnage existe en raison de la nature hétérogène des tumeurs. Par conséquent, cette méthode est largement reconnue comme imparfaite, car elle présente des taux de faux négatifs faibles mais significatifs5. De plus, rien ne garantit que le tissu pulmonaire entourant la marge excisée soit exempt de cellules malignes, car l'examen histologique ne permet pas d'analyser tous les aspects de la marge chirurgicale d'une tumeur excisée. Ces limites soulignent la nécessité de stratégies complémentaires non invasives, capables de capturer les profils macroscopiques et spatiaux du risque résiduel au-delà de l'échantillonnage microscopique.

La radiomique permet l'extraction haut débit de caractéristiques quantitatives à partir d'images médicales de routine et offre une approche systématique pour caractériser l'hétérogénéité tumorale au niveau de la lésion entière et de la région péri-lésionnelle6. Des études radiomiques antérieures dans le cancer du poumon ont démontré son utilité dans la stratification des résultats dans plusieurs contextes thérapeutiques, notamment la chirurgie pour le CBNPC au stade précoce7, la radiothérapie stéréotaxique8, la thérapie néo-adjuvante9, la thérapie par inhibiteurs de la TK EGFR10, l'immunothérapie anti-PD-(L)111 et les thérapies systémiques. La radiomique péri-tumorale a également été utilisée pour quantifier l'interface immédiate entre la tumeur et le poumon, incluant des analyses basées sur des expansions de 3, 6 et 9 mm12. Toutefois, les flux de travail standardisés permettant de comparer les récidives locales aux métastases à distance après une résection R0 restent limités.

Ce protocole est destiné aux ensembles de données de recherche comprenant des tomodensitogrammes thoraciques préopératoires avec injection de produit de contraste et des coupes fines, ainsi que des dossiers pathologiques complets relatifs aux marges. Il est adapté lorsque l'objectif de la recherche est de comparer la récidive locale à la progression des métastases à distance après une résection R0. Par conséquent, un flux de travail standardisé intégrant la radiomique intratumorale et péri-tumorale de 3 mm a été appliqué au cas du CBNPC de stade T3–T4.

Protocole

Le protocole radiomique basé sur la tomodensitométrie proposé a été conçu pour différencier préopératoirement la récidive locale des métastases à distance chez les patients atteints d'un CBNPC de stade T3-T4. Le flux de travail comprend la sélection des patients, l'acquisition et le prétraitement des images TDM, la segmentation de la région d'intérêt, l'extraction et la réduction des caractéristiques radiomiques, la construction du modèle et l'évaluation des performances (Figure 1A–C). Le comité d'éthique de l'hôpital Jinling a approuvé cette étude rétrospective (numéro d'approbation 2023DZKY-089-01) et a dispensé du consentement éclairé écrit. Tous les logiciels et outils utilisés dans cette étude sont répertoriés dans le Tableau des matériaux.

1. Sélection des patients et collecte des données cliniques

  1. Identifier les patients consécutifs ayant un CBNP confirmé histologiquement au stade T3–T4.
    NOTA : dans cette étude, les auteurs ont sélectionné les patients ayant subi une résection chirurgicale à l'Hôpital Jinling entre janvier 2013 et décembre 2020 (Supplementary Figure 1).
  2. Inclure les patients répondant à tous les critères suivants : confirmation histologique d'un CBNP ; stade tumoral T3 ou T4 selon la 8e édition du Comité américain du cancer (American Joint Committee on Cancer, AJCC) ; disponibilité d'un scanner thoracique préopératoire avec injection de produit de contraste réalisé moins de deux semaines avant l'intervention chirurgicale ; données complètes de suivi postopératoire avec localisation et chronologie de la récidive documentées.
  3. Exclure les patients présentant : une résection R1 ou R2 ; une qualité insuffisante des images TDM due à des artefacts de mouvement ou à une couverture incomplète ; des informations manquantes ou incomplètes concernant les modalités de récidive.

2. Définition des étiquettes et des critères d'évaluation cliniques

  1. Réaliser une surveillance postopératoire par dosage sérique des marqueurs tumoraux et tomodensitométrie thoracique tous les 3 à 6 mois pendant les deux premières années, puis tous les 6 mois par la suite.
  2. Définir les critères d'évaluation principaux comme un schéma de récidive. Deux radiologues thoraciques certifiés examinent indépendamment les examens d'imagerie de suivi, en étant aveugles aux scores radiomiques. Les désaccords sont résolus par consensus.
  3. Utiliser la confirmation histologique ou la tomographie par émission de positons/tomodensitométrie lorsque disponible.
  4. Distinguer les cas de deuxième cancer primitif du poumon selon les critères de Martini–Melamed et les exclure des événements de récidive locale.
  5. Attribuer les patients aux groupes suivants :
    1. Groupe de récidive locale : patients ayant bénéficié d'une résection R0 et ayant présenté une récidive sur un site local prédéfini pendant le suivi.
      NOTE : Une récidive locale correspond à une réapparition au moignon bronchique ou à la marge de résection parenchymateuse, aux ganglions hilaire ou médiastinal homolatéraux contigus à la tumeur initiale ou au lit de résection.
    2. Inclure dans le groupe de récidive locale les cas de récidive locale et métastatique synchrones.
    3. Groupe comparateur de métastases à distance : patients ayant bénéficié d'une résection R0 et ayant développé une métastase à distance sans récidive locale.
  6. Classer comme métastase à distance toute récidive limitée à des organes distants ou au thorax controlatéral, sans composante locale.

3. Collecte des caractéristiques cliniques et sémantiques

  1. Récupérez les variables cliniques à partir du système de dossier médical électronique, notamment les paramètres de laboratoire préopératoires, les résultats anatomopathologiques et les informations sur les traitements.
  2. Recueillez les variables suivantes pour chaque patient : âge, sexe, statut tabagique, marqueurs tumoraux sériques, stade pathologique, sous-type histologique et procédures chirurgicales.
  3. Évaluez indépendamment les caractéristiques d'imagerie sémantiques reflétant la localisation tumorale et l'envahissement des structures anatomiques adjacentes à l'aide d'images TDM préopératoires.
  4. Confiez à deux radiologues thoraciques certifiés l'analyse indépendante de tous les cas. Résolvez les divergences dans l'évaluation des caractéristiques sémantiques par discussion consensuelle.

4. Acquisition d'images TDM

  1. Acquérir des images de tomodensitométrie (TDM) thoracique dans le plan transversal, y compris les phases sans contraste, artérielle et veineuse porte, à l’aide de scanners TDM multi-détecteurs.
    NOTE : Les examens de tomodensitométrie thoracique avec produit de contraste ont été réalisés à l’aide de quatre scanners TDM multidétecteurs de Siemens Healthineers : SOMATOM Definition, SOMATOM Definition Flash, SOMATOM Emotion et SOMATOM Perspective. Selon le scanner et le protocole institutionnel, les configurations des détecteurs comprenaient 16 × 0,6 mm, 64 × 0,6 mm ou 2 × 64 × 0,6 mm. Les images ont été acquises à 120–130 kVp à l’aide d’une modulation automatique du courant du tube (environ 62–663 mA), avec un pas de 0,5–0,8, un temps de rotation de 0,5 s, un champ de vision d’environ 300–400 mm et une matrice de 512 × 512. L’épaisseur de coupe d’acquisition était de 1,0–1,5 mm. Les images utilisées pour l’analyse radiomique ont été reconstruites avec une épaisseur de coupe de 1,0–1,5 mm et un intervalle de 1,0–1,5 mm à l’aide d’un noyau de lissage moyen (B30f ou B31f). Un agent de contraste iodé non ionique (300–370 mg I/mL) a été administré par voie intraveineuse à une dose d’environ 1,0–1,5 mL/kg, à un débit d’injection de 2,5–3,5 mL/s, suivi d’un rinçage de 30–40 mL de sérum physiologique.
  2. Régler les paramètres d’acquisition et les paramètres de reconstruction. Effectuer un balayage automatique synchronisé au début de la phase artérielle.
  3. Sélectionner l’arc aortique comme région d’intérêt et définir le seuil de déclenchement à 60 UH.
    Utiliser une reconstruction en coupes fines pour toutes les séries d’images.
  4. Exporter les images de la phase artérielle en format DICOM (Digital Imaging and Communications in Medicine) pour un prétraitement et une analyse ultérieurs. Les paramètres d’acquisition détaillés sont résumés dans le Tableau supplémentaire 1.

5. Prétraitement des images et anonymisation

  1. Anonymiser toutes les images de CT conformément aux directives Safe Harbor du Health Insurance Portability and Accountability Act.
  2. Transférer les images de CT en phase artérielle anonymisées vers la plateforme de recherche multimodale Deepwise, version 3.1.3, qui intègre Pyradiomics (version 3.0.1) et Scikit-learn (version 0.22)13,14.
  3. Sur la plateforme de radiomique, sélectionner « Échantillon », choisir la série DICOM comme entrée, puis charger le masque de segmentation correspondant.

6. Segmentation de la tumeur et de la région périviscente

  1. Réaliser une segmentation semi-automatique13 des tumeurs pulmonaires primitives sur les images de tomodensitométrie en phase artérielle.
    Un radiologue possédant 9 ans d'expérience en imagerie thoracique examine et ajuste manuellement les segmentations afin de garantir une précision anatomique.
  2. Examiner le masque sur les plans axial, coronal et sagittal. Corriger manuellement les limites pour inclure la tumeur viable et exclure l'atélectasie adjacente, les vaisseaux, les voies aériennes, l'épanchement pleural et la paroi thoracique, sauf en cas d'invasion directe par la tumeur. Enregistrer le masque final en utilisant l'identifiant de l'étude.
  3. Générer automatiquement les régions périlésionnelles en étendant la limite de la tumeur de 1 mm, 3 mm et 5 mm dans toutes les directions, en excluant le cas échéant les structures non pulmonaires.
  4. Avant l'extraction des caractéristiques, les images de tomodensitométrie ont été rééchantillonnées à un espacement de voxel isotrope de 1 × 1 × 1 mm3. Les intensités des images ont été interpolées à l'aide d'un algorithme de B-spline, tandis que les masques de segmentation ont été rééchantillonnés par interpolation du plus proche voisin afin de préserver leurs étiquettes binaires.

7. Extraction des caractéristiques radiomiques

  1. Extraire des caractéristiques radiomiques à partir des régions tumorales, incluant les caractéristiques de forme, d'intensité de premier ordre et de texture, entre autres, conformément aux lignes directrices de l'Image Biomarker Standardization Initiative.
  2. Extraire les mêmes catégories de caractéristiques radiomiques à partir des régions péri-tumorales.

8. Partitionnement du jeu de données et réduction des caractéristiques radiomiques

  1. Avant toute préparation des données, réduction des caractéristiques ou élaboration du modèle, diviser aléatoirement l'ensemble complet des données en un groupe d'entraînement et un groupe de validation retenu selon un ratio de 7:3, par échantillonnage stratifié selon le motif de récidive, en utilisant une graine aléatoire fixe de 1.
  2. Verrouillez le lot de validation et ne l'utilisez pas pour la sélection des caractéristiques, l'ajustement des hyperparamètres ou la détermination du seuil.
    ​REMARQUE : La présence de valeurs manquantes ou infinies a été vérifiée au sein de la cohorte d'entraînement. Aucune valeur manquante ni infinie n'a été identifiée ; par conséquent, aucune imputation n'a été effectuée. Évaluer la reproductibilité de la segmentation.
    1. Sélectionner 20 % de la cohorte par échantillonnage aléatoire stratifié selon le motif de récidive, en utilisant la graine aléatoire définie pour le jeu d'apprentissage (1). Vérifier que le sous-ensemble sélectionné préserve la distribution entre récidive locale et métastases à distance.
    2. Faire répéter la segmentation par le premier lecteur après un intervalle de 2 semaines, et demander à un deuxième lecteur (un radiologue possédant 6 ans d'expérience en imagerie thoracique) de segmenter les mêmes cas indépendamment.
    3. Aveuglez les deux lecteurs aux informations cliniques, aux résultats anatomopathologiques, au schéma de récidive et aux sorties du modèle.
    4. Calculer les coefficients de corrélation intraclasse (CCI) pour la mesure unique, accord absolu, inter- et intrarédacteur. Conserver les caractéristiques uniquement lorsque les CCI inter- et intrarédacteur sont tous deux d'au moins > 0.8.
  3. Effectuer une analyse de corrélation par paires et supprimer une caractéristique de chaque paire fortement corrélée lorsque le coefficient de corrélation dépasse 0,90.
  4. Appliquer des modèles linéaires régularisés par L1 pour sélectionner des caractéristiques informatives, le paramètre de régularisation contrôlant la parcimonie des caractéristiques.

9. Construction et évaluation du modèle

  1. À l'aide des ensembles de caractéristiques finalisés, construire les modèles Linear SVC intratumoraux, péri-tumoraux de 3 mm et combinés au sein de la cohorte d'entraînement.
  2. Optimiser les hyperparamètres du modèle à l'aide d'une validation croisée stratifiée en 10 parties, limitée à la cohorte d'entraînement.
    REMARQUE : Les modèles Linear SVC ont été implémentés à l'aide de la version 0,22 de scikit-learn, avec une pénalité L1, une fonction de perte « squared-hinge », dual = False, une tolérance de convergence de 1 × 10⁻4, un maximum de 1 000 itérations, et l'ajustement de l'ordonnée à l'origine activé. Le paramètre de régularisation C a été optimisé sur la cohorte d'entraînement par validation croisée stratifiée en 10 parties, avec une graine aléatoire fixée à 1. Après sélection des hyperparamètres, chaque modèle a été réajusté en utilisant l'ensemble complet de la cohorte d'entraînement, puis appliqué directement à la cohorte de validation réservée. Aucun rééchantillonnage ni ajustement du poids des classes n'a été utilisé.
  3. Appliquer chaque modèle figé directement à la cohorte de validation réservée, sans réajustement, reclassement des caractéristiques, recalibrage ni optimisation du seuil.
  4. Évaluer la performance des modèles à l'aide de la surface sous la courbe caractéristique de fonctionnement du récepteur (AUC), de la sensibilité, de la spécificité et de l'exactitude.

10. Analyse statistique

  1. Comparer les variables continues à l'aide de tests paramétriques ou non paramétriques appropriés selon la distribution des données.
  2. Comparer les variables catégorielles à l'aide de tests du chi-deux ou du test exact de Fisher.
  3. Déterminer le seuil de classification en maximisant l'indice de Youden uniquement dans le groupe d'apprentissage, puis appliquer ce seuil figé au groupe de validation tenu à l'écart. Calculer les intervalles de confiance obtenus par rééchantillonnage bootstrap.
  4. Effectuer toutes les analyses statistiques à l'aide du logiciel SPSS (version 25), les valeurs p bilatérales < 0,05 étant considérées comme statistiquement significatives.

Résultats

Caractéristiques de la cohorte d'application
Parmi les patients initialement éligibles, 12 patients ayant subi une résection R1 ont été exclus, et aucune résection R2 n'a été identifiée. En conséquence, la cohorte finale comprenait 103 patients ayant bénéficié d'une résection R0. Le protocole radiomique proposé a été appliqué à une cohorte de 103 patients atteints de CBNP de stade T3–T4 traités chirurgicalement (60,6 ± 8,6 ans ; 82,5 % d'hommes), dont 33 avec une récidive locale postopératoire et 70 avec une métastase à distance. Parmi les 33 patients présentant une récidive locale, 17 (51,5 %) ont bénéficié d'une confirmation histologique, tandis que les 16 restants (48,5 %) ont été diagnostiqués sur la base d'examens tomodensitométriques de suivi en série et d'un consensus clinique. Aucune récidive locale n'a été confirmée uniquement par TEP/TDM. Soixante et un patients (59,2 %) présentaient une maladie T3 histologique, et 42 (40,8 %) une maladie T4. Aucune des variables cliniques ou histologiques du Tableau 1 ne différait significativement entre les groupes avec récidive locale et métastase à distance (toutes les valeurs de p ≥ 0,064).

Évaluation de l'imagerie sémantique et des variables liées au traitement
Le lobe tumoral, la localisation centrale ou périphérique, l'atteinte du bronche principal et l'atteinte des gros vaisseaux ne différaient pas de manière significative entre le groupe avec récidive locale et le groupe avec métastases à distance (tous p ≥ 0.272; Tableau 2). Les distributions des thérapies néoadjuvantes, de l'immunothérapie et de la radiothérapie étaient similaires entre les deux groupes présentant des profils de progression en R0 (tous p ≥ 0.742; Tableau 3). La thérapie ciblée était moins fréquente dans le groupe récidive locale que dans le groupe métastase à distance (2/33 [6,1 %] contre 15/70 [21,4 %] ; brut p = 0,0499). Étant donné que le traitement postopératoire peut influencer le schéma de récidive, ce déséquilibre doit être considéré comme un facteur de confusion potentiel plutôt que comme une preuve d'un effet causal.

Modèles de suivi et répartition des critères d'évaluation
Parmi les 103 patients ayant un bordure de résection négative, 33 ont présenté une récidive locale (survie sans progression moyenne (SSP) de 16,36 ± 14,741 mois) et 70 ont développé une métastase à distance (SSP moyenne de 11,39 ± 11,388 mois). Aucune différence statistique n'a été observée entre les groupes de récidive locale et de métastase à distance (p = 0,131). Bien qu'aucune différence significative en termes de survie sans progression n'ait été constatée entre les deux types de récidive, l'objectif de la présente approche est d'évaluer si l'imagerie préopératoire peut distinguer le modèle anatomique de la première progression de la maladie après une résection R0. Une telle stratification préopératoire du risque pourrait faciliter l'application appropriée d'un traitement local chez les patients à haut risque de récidive locale et potentiellement améliorer leurs résultats ; toutefois, cette utilité clinique nécessite une validation supplémentaire dans des études prospectives.

Comportement des caractéristiques radiomiques tumorales et péri-tumorales
La reproductibilité a été évaluée sur un sous-ensemble de 25 patients. Après un filtrage fondé sur le CCI, 1 820 des 2 207 caractéristiques radiomiques intratumorales et 1 856 des 2 211 caractéristiques radiomiques péri-tumorales à 3 mm ont été conservées pour l'analyse ultérieure. Le filtrage par variance a éliminé 124 caractéristiques intratumorales et 120 caractéristiques péri-tumorales à 3 mm. Ensuite, le filtrage par corrélation par paires avec un seuil de 0,90 a supprimé 1 357 des caractéristiques intratumorales restantes et 1 395 des caractéristiques péri-tumorales restantes, laissant respectivement 339 et 341 caractéristiques pour la sélection de caractéristiques avec régularisation L1. La procédure L1 a finalement sélectionné 9 caractéristiques intratumorales et 12 caractéristiques péri-tumorales pour la construction du modèle. Les caractéristiques radiomiques extraites des régions tumorales, péri-tumorales et combinées ont présenté des comportements prédictifs distincts. Dans le lot de validation, les modèles tumoral, péri-tumoral à 3 mm et combiné ont atteint des AUC de 0,71 (IC à 95 %, 0,61–0,81), 0,75 (IC à 95 %, 0,65–0,85) et 0,80 (IC à 95 %, 0,71–0,89), respectivement (Tableau 4 et Figure 2A). Dans l'analyse de sensibilité à la distance péri-tumorale, les modèles à 1, 3 et 5 mm ont atteint des AUC apparents de 0,62, 0,75 et 0,59, respectivement. Par rapport au modèle à 3 mm, la différence d’AUC n’était pas statistiquement significative pour 1 mm (ΔAUC = −0,13, p = 0,078), mais l’était pour 5 mm (ΔAUC = −0,16, p = 0,040) (Tableau supplémentaire 1).

Après l'exclusion des 17 patients ayant reçu une thérapie ciblée avant la première progression de la maladie, 86 patients sont restés, dont 31 avec une récidive locale et 55 avec une progression uniquement à distance. Le modèle de fusion a atteint une AUC de 0,80 (IC à 95 %, 0,70–0,89), ce qui est conforme à celui de l'analyse principale (AUC, 0,80 ; ΔAUC, −0,001 ; IC à 95 %, −0,034 à 0,033 ; p = 0,948). Ces résultats suggèrent que la performance du modèle de fusion n'a pas été significativement affectée par la thérapie ciblée administrée avant la progression de la maladie.

Évaluation comparative et utilité clinique du protocole
Les tests de DeLong par paires n'ont pas révélé de différences statistiquement significatives entre les modèles tumoral et péri-tumoral de 3 mm (p = 0,533), les modèles tumoral et combiné (p = 0,168), ou les modèles péri-tumoral de 3 mm et combiné (p = 0,439). Dans l'analyse de courbe de décision, les modèles tumoral, péri-tumoral de 3 mm et combiné ont fourni un bénéfice net supérieur aux stratégies de référence « traiter tous » et « ne traiter aucun » pour des probabilités seuils comprises respectivement entre 0,19 et 0,51, 0,18 et 0,56, et 0,17 et 0,59 (Figure 2B). À un seuil de probabilité prédite de 0,20, le modèle combiné a atteint une sensibilité de 66,7 % et une spécificité de 77,1 %. Ces intervalles décrivent une utilité apparente dans la cohorte de progression sélectionnée et ne correspondent pas à des seuils thérapeutiques validés. Comme illustré dans Figure 3A–D, les deux lésions solides dans A et B ont été correctement classées par le modèle, tandis que les lésions dans C et D ont été mal classées. Les deux lésions mal classées présentaient des zones de nécrose intratumorale, ce qui a pu modifier la distribution d'atténuation et l'hétérogénéité texturale capturées par les caractéristiques radiomiques, contribuant ainsi aux prédictions discordantes.

Diagramme du flux de travail d'analyse des tumeurs : segmentation, extraction de caractéristiques radiomiques, processus de construction du modèle.
Figure 1: Flux de travail de la segmentation tumorale, de la sélection des caractéristiques radiomiques et du développement du modèle. (A) La tumeur primitive a été segmentée de manière semi-automatique. La région d’intérêt intratumorale a été définie comme le tissu tumoral, et la région péritymorale a été générée en étendant la limite tumorale de 3 mm vers l’extérieur et en excluant la tumeur elle-même. (B) Les caractéristiques radiomiques intratumorales et péritymorales ont été extraites, évaluées pour leur reproductibilité intra- et inter-observateur, puis réduites par analyse de corrélation et sélection de caractéristiques régularisées L1. (C) Les patients éligibles ont été divisés aléatoirement en une cohorte d’apprentissage (70 %) et une cohorte de validation interne (30 %). Des modèles radiomiques distincts pour la tumeur et la région péritymorale ont été construits puis intégrés en un modèle combiné. Abréviations : CT = tomographie computed ; L1 = régularisation basée sur l’opérateur de réduction et de sélection absolue (least absolute shrinkage and selection operator). La figure 1 a été créée par les auteurs à l’aide de Microsoft PowerPoint, aucune autorisation de droit d’auteur n’étant requise. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Courbe caractéristique de fonctionnement du récepteur et analyse de la courbe de décision ; graphique comparant la performance du modèle tumoral.
Figure 2 : Courbes caractéristiques de fonctionnement du récepteur et analyse de la courbe de décision des modèles radiomiques. (A) Courbes caractéristiques de fonctionnement du récepteur des modèles tumoral, péri-tumoral de 3 mm et combiné pour différencier la récidive locale des métastases à distance dans la cohorte de validation. Les AUC respectives étaient de 0,71 (IC à 95 %, 0,61–0,81), 0,75 (IC à 95 %, 0,65–0,85) et 0,80 (IC à 95 %, 0,71–0,89) ; les IC à 95 % ont été estimés à l’aide de 1 000 rééchantillonnages bootstrap. (B) Analyse de la courbe de décision des trois modèles selon des probabilités seuils allant de 0,01 à 0,80. Les stratégies « traiter tous » et « ne traiter aucun » sont indiquées à titre de référence. Abréviations : AUC = aire sous la courbe caractéristique de fonctionnement du récepteur ; IC = intervalle de confiance ; DCA = analyse de la courbe de décision ; ROC = courbe caractéristique de fonctionnement du récepteur. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Coupes transversales de scanner thoracique ; analyse comparée de radiologie ; imagerie médicale diagnostique.
Figure 3 : Exemple représentatif de cas correctement et incorrectement classés par le modèle radiomique combiné. (A) Récidive locale correctement classée chez un homme de 50 ans atteint d’un carcinome épidermoïde du poumon gauche, avec développement d’une récidive locale à 4 mois. (B) Progression uniquement métastatique correctement classée chez une femme de 44 ans atteinte d’un adénocarcinome du lobe inférieur gauche, ayant développé une métastase osseuse à 31 mois sans récidive locale. (C) Exemple de faux négatif dans lequel une récidive locale a été classée comme une progression uniquement métastatique. (D) Exemple de faux positif dans lequel une progression uniquement métastatique a été classée comme une récidive locale. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Tableau 1 : Caractéristiques cliniques et pathologiques des patients présentant une récidive locale et une métastase à distance. L'analyse a inclus 103 patients : 33 avec une récidive locale et 70 avec une métastase à distance. Les données sont présentées comme moyenne ± écart type ou n (pourcentage de colonne). L'âge a été comparé à l'aide du test t de Student pour échantillons indépendants. Les variables catégorielles ont été comparées à l'aide du test du chi-deux de Pearson ou du test exact de Fisher lorsque le nombre attendu dans une cellule était <5. *Valeur de p brute < 0,05. Abréviations : ADC = adénocarcinome ; SCC = carcinome épidermoïde ; SD = écart type ; TNM = tumeur-nœud-métastase. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 2 : Caractéristiques de localisation et d'implication des patients présentant une récidive locale et une métastase à distance. L'analyse a inclus 103 patients : 33 avec une récidive locale et 70 avec une métastase à distance. Les données sont présentées sous forme de n (pourcentage en colonne). Les variables catégorielles ont été comparées à l'aide du test du chi-deux de Pearson ou du test exact de Fisher lorsque le nombre attendu dans une cellule était <5. Aucune donnée n'était manquante. *p brut < 0,05. Abréviations : CT = tomodensitométrie. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 3 : Stratégies de traitement périopératoire et postopératoire chez les patients présentant une récidive locale et des métastases à distance. L'analyse a inclus 103 patients : 33 avec récidive locale et 70 avec métastases à distance. Les données sont présentées sous la forme n (pourcentage de colonne). Les variables catégorielles ont été comparées à l'aide du test du chi-deux de Pearson ou du test exact de Fisher lorsque le nombre attendu dans une cellule était <5. Aucune donnée n'était manquante. *Valeur p brute < 0,05. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 4 : Performances des modèles radiomique, péri-tumoral et combiné pour la différenciation de la récidive locale et de la métastase à distance. L'analyse a inclus 103 patients : 33 présentant une récidive locale et 70 une métastase à distance. Les intervalles de confiance à 95 % ont été estimés à l'aide de 1 000 rééchantillonnages bootstrap. Abréviations : AUC = aire sous la courbe caractéristique de fonctionnement du récepteur ; CI = intervalle de confiance. Veuillez cliquer ici pour télécharger ce tableau.

Figure supplémentaire 1 : Organigramme de la sélection des patients. Ont été sélectionnés les patients ayant subi au moins un examen tomodensitométrique thoracique entre 2013 et 2020 et dont les comptes rendus anatomopathologiques contenaient les termes « lung » et « cancer ». Après exclusion fondée sur les comptes rendus anatomopathologiques et les données du système d'information hospitalier, 238 patients ont été retenus. Quarante-cinq patients supplémentaires ont été exclus en raison de l'absence d'images TDM préthérapeutiques (n = 39), d'un carcinome inflammatoire (n = 4) ou d'artéfacts TDM entravant l'analyse des images (n = 2). Enfin, les patients ayant bénéficié d'une résection R1 (n = 12), perdus lors du suivi (n = 43) ou n'ayant présenté aucune progression à la fin du suivi (n = 35) ont été exclus, laissant un total de 103 patients pour les jeux d'apprentissage et de validation. CT, tomographie computérisée ; HIS, système d'information hospitalier ; R1, résection avec marges microscopiquement positives. Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 1 : Analyse de sensibilité de la performance du modèle selon différentes distances d'expansion péri-tumorale. La discrimination du modèle a été évaluée dans le groupe de validation à l'aide de régions péri-tumorales de 1, 3 et 5 mm. Le modèle péri-tumoral de 3 mm a servi de référence. La valeur ΔAUC représente la différence de la surface sous la courbe (AUC) par rapport au modèle de 3 mm, et les valeurs p ont été calculées à l'aide du test de DeLong bilatéral. AUC, surface sous la courbe caractéristique de fonctionnement du récepteur ; CI, intervalle de confiance. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

Ce travail présente un protocole radiomique basé sur la tomodensitométrie (TDM) permettant de différencier préopératoirement la récidive locale des métastases à distance après une résection R0 chez des patients atteints d’un CBNPC de stade T3–T4. Plutôt que de se concentrer uniquement sur la prédiction du résultat, le cadre proposé évalue le risque de récidive locale en intégrant des représentations radiomiques intratumorales et péri-tumorales dérivées d’images TDM contrastées de routine. Le protocole a démontré une performance stable dans une cohorte chirurgicale représentative, le modèle combiné tumeur–péri-tumeur atteignant la plus haute AUC. Plusieurs approches préopératoires ont été étudiées pour estimer le risque de récidive postopératoire dans le CBNPC, notamment des modèles clinico-radiologiques, des paramètres métaboliques dérivés de la TEP/TDM au 18F-FDG, la radiomique TDM « artisanale » et l’apprentissage profond. Le volume métabolique tumoral et la glycolyse lésionnelle totale dérivés de la TEP/TDM fournissent des informations pronostiques après résection chirurgicale, mais nécessitent un examen d’imagerie moléculaire supplémentaire et sont influencés par les protocoles d’acquisition et de reconstruction15. Les modèles radiomiques basés sur la TDM et les modèles d’apprentissage profond peuvent estimer non invasivement le risque de récidive ou la survie sans maladie16, et des études antérieures ont démontré l’intérêt d’intégrer des informations péri-tumorales ou de combiner l’imagerie avec des variables cliniques17,18. Toutefois, ces approches antérieures se sont principalement concentrées sur la survenue ou le moment de la récidive, en particulier dans les adénocarcinomes pulmonaires de stade précoce, plutôt que sur le schéma anatomique de la première progression de la maladie. L’avantage potentiel du cadre actuel réside dans son utilisation d’images TDM contrastées préopératoires couramment acquises, et dans l’intégration d’informations intratumorales et péri-tumorales immédiatement adjacentes afin de distinguer la récidive locale de la progression métastatique à distance après une résection R0 chez des patients atteints d’un CBNPC de stade T3–T4.

D'un point de vue méthodologique, la motivation clinique de ce protocole découle des limites intrinsèques de l'évaluation histopathologique des marges chirurgicales. Bien que l'histopathologie reste la référence standard, elle est par nature limitée par un biais d'échantillonnage et une couverture spatiale incomplète des marges opératoires. Des études ont montré que, pour le CBNPC au stade IA, le taux de récidive locale après une résection en cunéiforme est significativement plus élevé qu'après une lobectomie19. Ceci serait principalement dû au diagnostic manqué de cellules tumorales résiduelles au niveau de la marge chirurgicale et au taux élevé de récidive locale causé par une résection incomplète. De plus, il est possible d'observer des cellules tumorales dans la marge opératoire en revoyant les coupes histologiques de patients présentant une récidive locale de CBNPC20. Des séries chirurgicales antérieures ont démontré que la résection incomplète et la maladie résiduelle occulte augmentent considérablement le risque de récidive locale et nuisent à la survie à long terme, tandis que l'imagerie permet d'analyser les caractéristiques tumorales macroscopiques et spatiales avant l'intervention chirurgicale. Le présent protocole doit donc être considéré comme une méthodologie de recherche complémentaire pour caractériser les schémas de récidive, et non comme un substitut à l'examen histopathologique des marges. Cette distinction évite d'étiqueter rétrospectivement une récidive locale R0 comme une preuve de marge chirurgicale positive ou intrinsèquement à haut risque.

Un élément central de conception du cadre proposé est l'incorporation explicite de caractéristiques radiomiques péri-tumorales. L'anneau prédéfini de 3 mm échantillonne l'interface immédiate entre la tumeur et le poumon, où les aspects d'imagerie peuvent refléter une invasion, une réaction désoplasmique, un œdème, un changement vasculaire ou des interactions hôte-tumeur. Dans l'analyse de sensibilité, les AUC apparents pour les modèles de 1, 3 et 5 mm étaient respectivement de 0,62, 0,75 et 0,59. Le modèle de 1 mm était numériquement inférieur au modèle de 3 mm, sans différence statistiquement significative entre les deux, tandis que le modèle de 5 mm avait des performances significativement moins bonnes. Ces résultats soutiennent la définition prédéfinie de 3 mm dans cette cohorte, mais n'établissent pas 3 mm comme une distance universellement optimale. Des anneaux plus larges pourraient inclure du parenchyme non pulmonaire ou des structures anatomiques adjacentes dans les tumeurs de stade T3–T4.

Le traitement postopératoire peut modifier le lieu et le moment de la récidive et constitue donc une source potentielle de confusion. La thérapie ciblée était moins fréquente dans le groupe présentant une récidive locale que dans celui présentant une métastase à distance (6,1 % contre 21,4 % ; p brute = 0,0499), tandis que les autres répartitions des traitements ne différaient pas de manière significative. Dans une analyse de sensibilité excluant les 17 patients ayant reçu une thérapie ciblée avant la progression de la maladie, le modèle de fusion conservait une AUC de 0,80 (IC à 95 %, 0,70–0,89), presque identique à celle de l'analyse principale (ΔAUC = −0,001 ; IC à 95 %, −0,034 à 0,033 ; p = 0,948). Ces résultats suggèrent que la performance discriminante du modèle de fusion n'était pas substantiellement influencée par la thérapie ciblée administrée avant la progression.

La stabilité et la reproductibilité des caractéristiques sont des considérations essentielles en méthodologie radiomique. Dans ce protocole, l'extraction des caractéristiques a été réalisée conformément aux recommandations de l'Image Biomarker Standardization Initiative21. La robustesse a été évaluée systématiquement à l'aide de tests de reproductibilité inter- et intra-observateur. Les caractéristiques les plus influentes dans le modèle combiné provenaient principalement de la région péri-tumorale, soulignant l'importance méthodologique d'une délimitation standardisée de cette zone. Ces étapes renforcent collectivement la fiabilité et la transférabilité du protocole proposé.

Plusieurs limites du protocole doivent être reconnues. Premièrement, le cadre a été développé et validé à l’aide de données provenant d’un seul établissement, et la sélection des patients pourrait refléter les pratiques chirurgicales institutionnelles. Deuxièmement, les intervalles de suivi n’étaient pas uniformes, et la perte de suivi pourrait avoir influencé la caractérisation des récidives. Troisièmement, bien que le protocole identifie des caractéristiques radiomiques associées au risque de récidive liée aux marges, il n’élucide pas directement les mécanismes pathologiques sous-jacents. Les travaux futurs devraient se concentrer sur la validation multicentrique, l’harmonisation entre les plateformes d’imagerie et l’intégration avec des corrélats pathologiques et moléculaires afin d’améliorer l’interprétabilité biologique des caractéristiques radiomiques. En conclusion, cette étude présente un protocole radiomique standardisé basé sur la tomodensitométrie pour la caractérisation préopératoire du schéma de récidive dans le CBNPC de stade T3-T4. En intégrant explicitement des informations radiomiques péri-tumorales, ce cadre vise à constituer un protocole de recherche reproductible ; une validation externe multicentrique et une évaluation dans une cohorte postopératoire non sélectionnée sont nécessaires avant toute mise en œuvre clinique ou prise de décision thérapeutique.

Déclarations de divulgation

Les auteurs déclarent ne pas avoir de conflit d'intérêts. Aucun outil d'intelligence artificielle générative n'a été utilisé pour créer ou modifier les figures de ce manuscrit.

Remerciements

Nous remercions LetPub (www.letpub.com.cn) pour son assistance linguistique lors de la préparation de ce manuscrit. Ce travail a été soutenu par les projets majeurs de l'innovation scientifique et technologique 2030 (2020AAA0109500).

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Plateforme de recherche multimodale DeepwiseDeepwiseversion 3.1.3utilisée pour la segmentation, l'extraction de caractéristiques radiomiques et la construction de modèles
PythonFondation Pythonhttps://www.python.orgversion 3.9.13
RFondation Rhttps://www.r-project.orgversion 4.3.2
Somatom DefinitionSiemensaucunUtilisé pour l'acquisition d'images TDM
Somatom Definition FlashSiemensaucunUtilisé pour l'acquisition d'images TDM
Somatom EmotionSiemensaucunUtilisé pour l'acquisition d'images TDM
Somatom PerspectiveSiemensaucunUtilisé pour l'acquisition d'images TDM

Références

  1. Ohguri T, Yahara K, Moon SD, Yamaguchi S, Imada H, et al. Postoperative radiotherapy for incompletely resected non-small cell lung cancer: clinical outcomes and prognostic value of the histological subtype. J Radiat Res. 2012;53(2):319-325.
  2. Hancock JG, Rosen JE, Antonicelli A, Moreno A, Kim AW, et al. Impact of adjuvant treatment for microscopic residual disease after non-small cell lung cancer surgery. Ann Thorac Surg. 2015;99(2):406-413.
  3. Sawabata N, Maeda H, Matsumura A, Ohta M, Okumura M; Thoracic Surgery Study Group of Osaka University. Clinical implications of the margin cytology findings and margin/tumor size ratio in patients who underwent pulmonary excision for peripheral non-small cell lung cancer. Surg Today. 2012;42(3):238-244.
  4. Wang EH, Corso CD, Rutter CE, Park HS, Chen AB, et al. Postoperative radiation therapy is associated with improved overall survival in incompletely resected stage II and III non-small-cell lung cancer. J Clin Oncol. 2015;33(25):2727-2734.
  5. Sawabata N, Funaki S, Nakagiri T, Shintani Y, Inoue M, et al. Clinical implications of the margin cytology findings and margin/tumor size ratio in patients who underwent pulmonary wedge resection for peripheral non-small cell lung cancer. J Thorac Oncol. 2012;7(11):S473.
  6. Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data. Radiology. 2016;278(2):563-577.
  7. Huang Y, Liu Z, He L, Chen X, Pan D, et al. Radiomics signature: a potential biomarker for the prediction of disease-free survival in early-stage (I or II) non-small cell lung cancer. Radiology. 2016;281(3):947-957.
  8. Yang H, Wang L, Shao G, Dong B, Wang F, et al. A combined predictive model based on radiomics features and clinical factors for disease progression in early-stage non-small cell lung cancer treated with stereotactic ablative radiotherapy. Front Oncol. 2022;12:967360.
  9. She Y, He B, Wang F, Zhong Y, Wang T, et al. Deep learning for predicting major pathological response to neoadjuvant chemoimmunotherapy in non-small cell lung cancer: a multicentre study. EBioMedicine. 2022;86:104364.
  10. Wang S, Yu H, Gan Y, Wu Z, Li E, et al. Mining whole-lung information by artificial intelligence for predicting EGFR genotype and targeted therapy response in lung cancer: a multicohort study. Lancet Digit Health. 2022;4(5):e309-e319.
  11. Sun R, Limkin EJ, Vakalopoulou M, Dercle L, Champiat S, et al. A radiomics approach to assess tumour-infiltrating CD8 cells and response to anti-PD-1 or anti-PD-L1 immunotherapy: an imaging biomarker, retrospective multicohort study. Lancet Oncol. 2018;19(9):1180-1191.
  12. Chen Q, Shao J, Xue T, Peng H, Li M, et al. Intratumoral and peritumoral radiomics nomograms for the preoperative prediction of lymphovascular invasion and overall survival in non-small cell lung cancer. Eur Radiol. 2023;33(2):947-958.
  13. Qi LL, Wang JW, Yang L, Huang Y, Zhao SJ, et al. Natural history of pathologically confirmed pulmonary subsolid nodules with deep learning-assisted nodule segmentation. Eur Radiol. 2021;31(6):3884-3897.
  14. Qi LL, Wu BT, Tang W, Zhou LN, Huang Y, et al. Long-term follow-up of persistent pulmonary pure ground-glass nodules with deep learning-assisted nodule segmentation. Eur Radiol. 2020;30(2):744-755.
  15. Kim K, Kim SJ, Kim IJ, Kim YS, Pak K, et al. Prognostic value of volumetric parameters measured by F-18 FDG PET/CT in surgically resected non-small-cell lung cancer. Nucl Med Commun. 2012;33(6):613-620.
  16. Kim H, Goo JM, Lee KH, Kim YT, Park CM. Preoperative CT-based deep learning model for predicting disease-free survival in patients with lung adenocarcinomas. Radiology. 2020;296(1):216-224.
  17. Christie JR, Daher O, Abdelrazek M, Romine PE, Malthaner RA, et al. Predicting recurrence risks in lung cancer patients using multimodal radiomics and random survival forests. J Med Imaging (Bellingham). 2022;9(6):066001.
  18. Lan H, Wei C, Xu F, Yang E, Lu D, et al. 2.5D peritumoural radiomics predicts postoperative recurrence in stage I lung adenocarcinoma. Front Oncol. 2024;14:1382815.
  19. Koike T, Koike T, Yoshiya K, Tsuchida M, Toyabe S. Risk factor analysis of locoregional recurrence after sublobar resection in patients with clinical stage IA non-small cell lung cancer. J Thorac Cardiovasc Surg. 2013;146(2):372-378.
  20. Sawabata N, Matsumura A, Ohota M, Maeda H, Hirano H, et al. Cytologically malignant margins of wedge resected stage I non-small cell lung cancer. Ann Thorac Surg. 2002;74(6):1953-1957.
  21. Zwanenburg A, Vallières M, Abdalah MA, Aerts HJWL, Andrearczyk V, et al. The Image Biomarker Standardization Initiative: standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology. 2020;295(2):328-338.

Réimpressions et autorisations

Explorer plus d’articles

Radiomique TDMclassification de la récidivehétérogénéité tumoraleradiomique péritumoralerésection R0extraction de caractéristiques radiomiquesrécidive localemétastases à distance
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.