Intégration de signatures IRM artisanales et d'apprentissage profond : un cadre interprétable pour prédire le bénéfice de la chimiothérapie dans le gliome.Integrating handcrafted and deep learning MRI signatures: an interpretable framework for predicting chemotherapy benefit in glioma.
- Les caractéristiques radiomiques et d'apprentissage profond capturent des aspects complémentaires du phénotype tumoral.
- Le modèle de fusion atteint une AUC de 0,75 sur un jeu de données cliniques réelles et de 0,99 sur un jeu de données augmenté.
- Les méthodes d'interprétabilité (SHAP, Grad-CAM) améliorent la transparence des décisions en identifiant les régions tumorales clés.
L'article concerne la prédiction du bénéfice de la chimiothérapie dans le gliome, un sujet pertinent pour la neuro-oncologie mais d'intérêt modéré pour NeuroWatch qui se concentre sur les troubles neurodéveloppementaux et la neuropsychologie clinique.
La définition du bénéfice de la chimiothérapie basée sur la survie globale à 24 mois est un critère de substitution qui peut ne pas refléter l'efficacité réelle. La performance sur le jeu de données augmenté (AUC 0,99) peut être surévaluée et non généralisable. Étude rétrospective monocentrique reposant sur une seule cohorte (TCGA-LGG), nécessitant une validation externe.
Cette étude combine des caractéristiques radiomiques artisanales et des caractéristiques d'apprentissage profond extraites d'IRM préopératoires pour prédire le bénéfice de la chimiothérapie postopératoire (survie globale ≥24 mois) dans les gliomes. Le modèle de fusion a atteint une AUC de 0,75 sur un ensemble de données cliniques réelles et de 0,99 sur un ensemble de données augmenté. Les méthodes d'interprétabilité (SHAP, Grad-CAM) ont révélé que les caractéristiques radiomiques capturent le volume et la morphologie de la tumeur, tandis que les caractéristiques profondes saisissent l'hétérogénéité locale et les infiltrations. Ce cadre offre une aide à la décision transparente pour un traitement personnalisé.
Les caractéristiques radiomiques et d'apprentissage profond capturent des aspects complémentaires du phénotype tumoral. Le modèle de fusion atteint une AUC de 0,75 sur un jeu de données cliniques réelles et de 0,99 sur un jeu de données augmenté. Les méthodes d'interprétabilité (SHAP, Grad-CAM) améliorent la transparence des décisions en identifiant les régions tumorales clés. L'étude souligne que la qualité des données et la diversité des caractéristiques sont essentielles pour libérer le potentiel prédictif.
Ce cadre pourrait aider à identifier les patients atteints de gliome les plus susceptibles de bénéficier d'une chimiothérapie adjuvante. L'intégration de l'IA interprétable en routine clinique pourrait affiner les décisions thérapeutiques personnalisées. Les cartes de saillance pourraient guider les cliniciens vers les zones tumorales critiques pour l'évaluation du traitement.
Modéré