Machine learning et IRM pelvienne
L’IRM pelvienne en imagerie de la femme est un examen extrêmement fréquent, mais les travaux qui étudient la place du machine learning diagnostic sur cette modalité restent assez rares. L’essentiel des travaux se focalisant souvent chez l’homme sur l’IRM prostatique et sur l’IRM du rectum. Pourtant, les premiers travaux de machine learning sur cette thématique s’annoncent extrêmement encourageants, notamment pour la médecine de précision.
Classification lésionnelle et analyse multiparamétrique
Le machine learning permet ainsi de classifier des lésions, par exemple utérines, pour différencier des lésions malignes de celles bénignes, quand l’imagerie anatomique simple n’est pas suffisante. L’IRM multiparamétrique et le machine learning (figure 1) ont ainsi permis à l’équipe de Nakagawa et Al en 2019, de différencier des sarcomes utérins de simples léiomyomes bénins. Plus de 50 critères étaient intégrés dont l’âge, le statut ménopausique et des critères d’imagerie, notamment le signal en diffusion avec ADC, le signal en T1 ,T2 et après injection de gadolinium. Selon eux, l’analyse multivariée était extrêmement intéressante, avec une AUC de 0.92 et pouvait venir compléter une autre technique de référence : le PET scanner au 18-Fdg dont l’AUC était de 0.85 d’après eux.
Nakagawa, M., et al. “A multiparametric MRI-based machine learning to distinguish between uterine sarcoma and benign leiomyoma: comparison with 18F-FDG PET/CT.” Clinical radiology 74.2 (2019): 167-e1.
Fig 1: Différents types de modèles de machine learning ont été comparés, avant de retenir le plus performant pour l’analyse multivariée des données liées à ces lésions utérines.
Jian J,and al. MR image-based radiomics to differentiate type Ι and type ΙΙ epithelial ovarian cancers. Eur Radiol. 2021 Jan;31(1):403-410. doi: 10.1007/s00330-020-07091-2. Epub 2020 Aug 2. PMID: 32743768.
Figure 2: Le modèle classifie des lésions de type 1 ou 2 de façon automatisée
Dans le prolongement de ces travaux, la radiomics appliquée à l’IRM des cancers ovariens permet aussi une classification plus fine de ces tumeurs. Ainsi, Jizan et Al en 2021 ont obtenu une AUC de l’ordre de 0.84, pour différencier en IRM les types 1 et 2 des carcinomes épithéliaux ovariens (figure 2). Cette distinction importante pour décider de la prise en charge optimale du patient n’est pas toujours aisée sur un examen simple. D’autres travaux ont cherché à différencier lésions ovariennes bénignes et malignes en IRM ( Wang et Al en 2021), avec d’excellents résultats (0.87 Vs 0.64 pour des médecins juniors).
Segmentation automatisée
Le deep learning peut aussi être très utile pour la segmentation des organes. Ainsi, dans le cadre des bilans de prolapsus, Feng et Al en 2020 ont obtenu des résultats significatifs dans la segmentation automatique des organes d’intérêt ( utérus, rectum, vessie, releveur de l’anus ), grâce au couplage des réseau de neurones classiques (U-net par exemple) avec une technique avancée dite “MRFP” (multi resolution feature pyramid) : cette approche permet de capturer plus facilement des informations contextuelles de l’image, ce qui améliore la précision de la segmentation (évaluée par le DICE). Sans rentrer dans les détails, nous voyons ici l’intérêt de ces techniques pour obtenir une meilleure fiabilité de ces mesures, tout en accélérant le process parfois complexe. Cela permet d’améliorer l’efficacité d’obtention d’un pronostic fonctionnel précis et automatisé, ici dans le cadre des bilans de prolapsus. On comprendra aussi l’utilité d’une telle segmentation dans le cadre du planning opératoire pré chirurgical des lésions pelviennes, même s’il n’est pas spécifique à l’imagerie de la femme.
Feng, F., and al, J. (2020). Convolutional neural network‐based pelvic floor structure segmentation using magnetic resonance imaging in pelvic organ prolapse. Medical Physics, 47(9), 4281-4293.
Figure 3: Segmentation automatique sur IRM pelvienne en coupe sagittale T2
Finalement, cette première approche nous montre que la simple détection lésionnelle n’est pas tant au premier plan du machine learning appliqué à l’imagerie de la femme. En revanche, la segmentation pré-thérapeutique ou à visée pronostique est un domaine prometteur. Surtout, la radiomics et l’analyse multi paramétrique liés au machine learning, semblent particulièrement utiles pour la classification lésionnelle et à l’avenir l’évaluation de la réponse thérapeutique.
Bibliographie sélective :
Nakagawa, M., Nakaura, T., Namimoto, T., Iyama, Y., Kidoh, M., Hirata, K., … & Yamashita, Y. (2019). A multiparametric MRI-based machine learning to distinguish between uterine sarcoma and benign leiomyoma: comparison with 18F-FDG PET/CT. Clinical radiology, 74(2), 167-e1.
Feng F, Ashton-Miller JA, DeLancey JOL, Luo J. Convolutional neural network-based pelvic floor structure segmentation using magnetic resonance imaging in pelvic organ prolapse. Med Phys. 2020 Sep;47(9):4281-4293. doi: 10.1002/mp.14377. Epub 2020 Jul 28. PMID: 32638370.
Jian J, Li Y, Pickhardt PJ, Xia W, He Z, Zhang R, Zhao S, Zhao X, Cai S, Zhang J, Zhang G, Jiang J, Zhang Y, Wang K, Lin G, Feng F, Wu X, Gao X, Qiang J. MR image-based radiomics to differentiate type Ι and type ΙΙ epithelial ovarian cancers. Eur Radiol. 2021 Jan;31(1):403-410. doi: 10.1007/s00330-020-07091-2. Epub 2020 Aug 2. PMID: 32743768.
Wang R, Cai Y, Lee IK, Hu R, Purkayastha S, Pan I, Yi T, Tran TML, Lu S, Liu T, Chang K, Huang RY, Zhang PJ, Zhang Z, Xiao E, Wu J, Bai HX. Evaluation of a convolutional neural network for ovarian tumor differentiation based on magnetic resonance imaging. Eur Radiol. 2020 Oct 14. doi: 10.1007/s00330-020-07266-x. Epub ahead of print. PMID: 33052463.