Le Cancer de l’Estomac : Comment la Radiomique Peut Changer la Donne ?
Le cancer de l’estomac reste un défi majeur pour la santé mondiale. Malgré une baisse des cas ces dernières décennies, il est la troisième cause de décès liés au cancer. En 2018, plus d’un million de nouveaux cas et environ 783 000 décès ont été enregistrés. En Chine, en 2015, les chiffres étaient alarmants : 6,791 millions de nouveaux cas et 498 000 décès. Les techniques d’imagerie jouent un rôle clé dans le diagnostic, la classification et l’évaluation des risques de ce cancer. Mais une nouvelle approche, la radiomique, pourrait révolutionner la manière dont nous abordons cette maladie. Cet article explore comment la radiomique fonctionne, ses applications dans le cancer de l’estomac, ses défis et ses perspectives futures.
Qu’est-ce que la Radiomique ?
La radiomique a été introduite en 2012 par Lambin et al. Elle consiste à extraire et analyser un grand nombre de données quantitatives à partir d’images médicales obtenues par scanner (CT), imagerie par résonance magnétique (IRM) ou tomographie par émission de positons (TEP). L’avantage principal de la radiomique est sa capacité à révéler des informations invisibles à l’œil nu ou non quantifiables par les méthodes traditionnelles. Elle utilise des techniques d’intelligence artificielle et d’apprentissage automatique pour transformer ces données en modèles diagnostiques, prédictifs ou pronostiques, aidant ainsi à personnaliser les décisions médicales.
Une étude radiomique se déroule en quatre étapes :
- Acquisition des Images : Obtenir des images médicales de haute qualité avec des protocoles standardisés est essentiel pour éviter les variations inutiles.
- Segmentation des Images : Les zones d’intérêt (ROI) ou volumes d’intérêt (VOI) de la tumeur et des tissus sains sont délimités manuellement ou semi-automatiquement.
- Extraction et Sélection des Caractéristiques : De nombreuses caractéristiques quantitatives sont extraites, comme la forme, la taille, ou la texture de la tumeur. Les caractéristiques redondantes ou inutiles sont éliminées.
- Construction et Validation du Modèle : Des modèles d’apprentissage automatique sont créés et validés pour s’assurer de leur fiabilité avant leur utilisation clinique.
Applications de la Radiomique dans le Cancer de l’Estomac
Une recherche sur PubMed a identifié 17 études montrant que la radiomique offre des performances modérées à excellentes dans divers aspects de la gestion du cancer de l’estomac, notamment le diagnostic différentiel, l’évaluation du grade histologique, la classification de la tumeur, la prédiction de la réponse au traitement et le pronostic.
Diagnostic Différentiel
Distinguer un lymphome gastrique, une tumeur stromale gastro-intestinale (GIST) et un adénocarcinome est difficile car ils apparaissent similaires au scanner. Deux études ont utilisé la radiomique pour améliorer ce diagnostic. Ba-Ssalamah et al. ont montré que les caractéristiques de texture des images en phase artérielle pouvaient différencier une GIST d’un lymphome avec une précision de 100 %. Ma et al. ont rapporté une précision de 87 % pour distinguer un adénocarcinome d’un lymphome.
Prédiction du Grade Histologique
Les caractéristiques histologiques influencent le traitement et le pronostic. Liu et al. ont identifié des caractéristiques radiomiques corrélées au grade histologique et au type de Lauren. Zhang et al. ont trouvé que les paramètres histogrammes différaient selon le grade histologique, mais leur utilité clinique était limitée.
Prédiction du Stade de la Tumeur
Une classification précise de la tumeur est cruciale pour choisir le bon traitement. Cinq études ont évalué la radiomique pour prédire l’état des ganglions lymphatiques, l’invasion vasculaire et les métastases péritonéales occultes. Liu et al. ont montré que les caractéristiques radiomiques pouvaient identifier les métastases ganglionnaires avec une précision de 74 à 81 %. Feng et al. ont développé un modèle avec une AUC (aire sous la courbe) de 0,824 pour prédire les métastases ganglionnaires.
Prédiction de la Réponse au Traitement et Pronostic
Identifier des marqueurs prédictifs avant le traitement est essentiel pour personnaliser les soins.
Pronostic après Résection Chirurgicale
Giganti et al. ont étudié l’association entre les paramètres de texture au scanner et la survie globale (OS). Li et al. ont développé un nomogramme combinant des signatures radiomiques et des paramètres cliniques, offrant une meilleure précision prédictive.
Pronostic après Chimiothérapie Néoadjuvante (NAC)
Quatre études ont exploré la radiomique pour prédire la réponse et le pronostic après NAC. Giganti et al. ont identifié des paramètres indépendants comme l’entropie et la variance. Jiang et al. ont développé un classificateur pronostique avec des ratios de risque (HR) significatifs pour la survie sans maladie (DFS) et la survie globale (OS).
Pronostic après Chimiothérapie Ciblée avec Trastuzumab
Yoon et al. ont étudié 26 patients avec une surexpression de HER2, montrant que certaines caractéristiques de texture pouvaient différencier les répondeurs des non-répondeurs.
Pronostic après Radiothérapie
Hou et al. ont utilisé des signatures radiomiques pour prédire la réponse à la radiothérapie avec des AUC de 0,714 à 0,816.
Défis et Perspectives Futures
Malgré son potentiel, la radiomique dans le cancer de l’estomac en est à ses débuts et fait face à plusieurs défis.
Acquisition des Images
La qualité des modèles radiomiques dépend de la taille des populations étudiées. La plupart des études sont rétrospectives, avec des images provenant de différents scanners, ce qui introduit des variations. Des protocoles d’imagerie standardisés sont recommandés.
Segmentation des Images
Les méthodes de segmentation varient, ce qui peut introduire des biais. Les approches d’apprentissage profond pourraient améliorer ce processus.
Extraction et Sélection des Caractéristiques
Les logiciels utilisés pour extraire les caractéristiques diffèrent, et toutes les caractéristiques ne sont pas utiles. Le processus de réduction des caractéristiques doit être clairement documenté.
Construction et Validation des Modèles
Les techniques de modélisation ont des limites inhérentes. Les modèles doivent être validés de manière externe pour assurer leur généralisation.
Orientation Future de la Radiomique dans le Cancer de l’Estomac
Les recherches futures devraient se concentrer sur la prédiction de la survie à long terme après NAC, l’identification de sous-groupes spécifiques pour des thérapies ciblées, et l’utilisation de la radiomique multimodale pour une vision plus complète de la tumeur.
Conclusion
La radiomique représente une avancée majeure dans la prise de décision clinique pour le cancer de l’estomac. Bien qu’elle en soit encore à ses débuts, elle a le potentiel de révolutionner la médecine personnalisée grâce à l’accumulation de données, la standardisation des méthodes et les progrès en intelligence artificielle.
doi.org/10.1097/CM9.0000000000000360
For educational purposes only.