Radiomics : une révolution ?
De quoi parle t-on ?
Le terme de radiomics devient incontournable dans la littérature scientifique radiologique. Mais à quoi ce terme correspond-il réellement ? La revue “Radiology” en 2016 résumait assez bien le concept :
“Images are more than pictures they are data”
Pour aller plus loin on pourrait dire que la radiomics consiste à extraire de la data pertinente depuis les examens d’imagerie pour aboutir à des diagnostics de précision . On parlera ainsi de “biomarqueurs d’imagerie”. L’association avec des paramètres clinico-biologiques et génétiques permet d’améliorer grandement la précision du pronostic et de guider la prise en charge thérapeutique. Ajoutons enfin que ces variables pertinentes ne sont pas forcément visibles à l’œil du radiologue, ces variables n’étant finalement que des régularités statistiques contenus dans la trace numérique de l’examen. Des outils logiciels spécifiques devront donc être utilisés.
Analyse multiparamétrique d’une lésion pulmonaire pour en déterminer le risque et en déduire la prise en charge.
LIU, Zhenyu, WANG, Shuo, DI DONG, Jingwei Wei, et al. The applications of radiomics in precision diagnosis and treatment of oncology: opportunities and challenges. Theranostics, 2019, vol. 9, no 5, p. 1303.
Comment cela fonctionne-t-il ?
L’objet de notre article n’est pas de rentrer dans le détail de fonctionnement de la radiomics mais d’en définir les grandes lignes pour mieux appréhender les gigantesques possibilités diagnostique et thérapeutiques qu’elle augure.
Pour cela imaginons d’une part les images médicales comme une gigantesque masse de data plus moins structurée (organisée, annotées) et d’autre part le développement exponentielle des techniques d’exploration du big data (machine learning ,Intelligence artificielle) qui rendent désormais possible l’analyse de ces masses de données. La radiomics pourrait se résumer au fait d’extraire, grâce à ces nouveaux moyens techniques, des variables pertinentes (“features”) d’un examen et de les interpréter. Les anglo saxons parlent de “features engineering” et de “features extraction”.
Ces deux conditions, big data qualifié et features engineering, une fois combinées rendent possible l’avènement de la radiomics là où il y a seulement 10 ans l’insuffisance de moyen technique (puissance de calcul et quantité de données) ne nous permettait même pas d’imaginer de telles avancés.
Aujourd’hui grâce à des plateformes logiciels adaptées, nous sommes désormais capables d’analyser les millions d’informations auparavant inexploités contenus dans nos datacenters de radiologie, au même titre que l’analyse génomique ou moléculaire déjà existante.
Pour quoi faire ?
Pour faire simple, cela permet une analyse plus fine et objective des examens d’imagerie. Et plus le diagnostic est précis, plus le traitement l’est également. Par exemple, ce n’est pas la même chose de décrire un nodule pulmonaire simplement par son volume et ses contours que d’extraire une cinquantaine de paramètres d’imagerie qui permettent d’établir une véritable carte d’identité du nodule pour en déduire son risque potentiel. Une analogie avec le cancer du sein permettra de mieux préciser le concept: Initialement l’analyse tumoral se limitait à différencier les lésions bénignes des malignes tandis qu’aujourd’hui nous disposons de plusieurs plateforme d’analyse de la signature génomique de ces cancers qui testent parfois jusqu’a à plus de 50 gènes pour préciser au maximum le pronostic et ainsi choisir les traitements les plus adaptés (exemple Mammaprint, Prosigna …). Ainsi l’historique description sémantique, parfois rès (trop) subjective, illustré par la fameuse lésion “en trognon de pomme “ des cancers digestifs tend à s’effacer pour laisser place à une définition plus objective et quantitative défini très clairement par les anglo-saxon (mais difficile à traduire) avec le terme de “agnostic features”.
En pratique, cela donne quoi ?
Améliorer la précision diagnostic (étiologique, pronostic) et évaluer la réponse thérapeutique sont les 2 grandes applications connues à ce jour. L’oncologie est en première place pour bénéficier de ces avancées mais pas seulement: d’autres domaines suivent comme l’imagerie cardiovasculaire (stratification du risque) ou la neuroradiologie.
Différentes étapes successives doivent être systématiquement menées pour obtenir de bons résultats: acquisition des images, identifications et délimitation des zones d’intérêt, extraction des variables (features extraction) puis exploitation de ses data pour créer des modèles prédictifs efficaces, en combinaison le plus souvent avec des données cliniques et génétiques. Ces étapes sont parfaitement résumées par Gilles et Al dans Radiology en 2016.
Gillies, R. J., Kinahan, P. E., & Hricak, H. (2016). Radiomics: images are more than pictures, they are data. Radiology, 278(2), 563-577.
Li, Jing, et al. “High-order radiomics features based on T2 FLAIR MRI predict multiple glioma immunohistochemical features: A more precise and personalized gliomas management.” PloS one 15.1 (2020): e0227703.
Le modèle créé grâce à des techniques de radiomics permet de prédire à partir d’une séquence Flair en IRM les caractéristiques immunohistochimiques du glioblastome.
Diagnostic et pronostic en oncologie
- La prédiction du score de gleason dans le cancer de la prostate sur des IRM prostatiques a été largement étudiée. En plus des classiques signes sémiologiques en pondération T2 , diffusion et perfusion viendront s’ajouter des paramètres comme l’homogénéité, l’entropie, l’inertie, etc …) pour prédire le score de Gleason avec une grande précision. (Brunese et Al, Sensor , 2020).
- En onco-neurologie, il est par exemple possible de prédire les caractéristiques immunohistochimiques (Ki-67, S100, Vimentin, CD34) d’un glioblastome en utilisant une simple séquence Flair en IRM. C’est intéressant car d’une part cette approche affine nettement le pronostic et d’autre part elle permet d’augurer des méthodes d’explorations plus performantes que l’imagerie traditionnelle et moins invasives que la biopsie chirurgicale.
Imagerie cardiovasculaire
Une équipe a développé un score prédictif du risque cardio-vasculaire 30% plus performant que le classique score de Framingham grâce à des techniques de radiomics sur coroscanner couplé à des données cliniques (Hell et al dans European Heart Journal – Cardiovascular Imaging 2017). L’analyse multiparamétrique de l’environnement périvasculaire des plaques semble également très prometteur pour évaluer la stabilité et le risque de rupture des plaques athéromateuses.Jusqu’ici l’analyse essentiellement sémantique et subjective pouvait manquer de reproductibilité, écueil que la radiomics pourrait régler.
Evaluation de la réponse au traitement en oncologie
La radiomics a permis à des équipes d’identifier des pattern d’imagerie utile pour prévoir la réponse à certains traitements en oncologie. Ainsi Sun et Al dans Lancet Onco en 2020 on isolé un biomarqueur radiomics capable de prévoir avec des résultats intéressant si une immunothérapie serait utile pour obtenir une réponse objective à 3 mois. Dans la même idée de nombreuses équipes ont travaillé sur la prédiction de l’utilité des chimiothérapies néo adjuvantes (seins , rectum etc …). Point intéressant la radiomics peut aussi aider à trancher entre hyper progression et pseudo progression sous immunothérapie, classiquement difficile à faire avec des méthodes d’imagerie traditionnelle. Le champ des possibles est large et beaucoup de travaux doivent encore être validés à grande échelle mais ces premiers résultats sont extrêmement encourageants.
Quelles sont les limites ?
Certaines limitations sont encore présentes ce qui explique le caractère encore confidentiel en routine clinique de la radiomics.
D’abord la pénétration de la radiomics en pratique quotidienne reste faible car l’accessibilité l’est également. La formation n’est pas encore suffisante et les outils nécessaires ne sont pas simples à utiliser. Le temps et la pratique devraient facilement résoudre ce problème.
Ensuite le problème de la standardisation des techniques, ralentit la diffusion de la radiomics. Les résultats sont-ils comparables d’une équipe à une autre , d’une machine à une autre, d’une séquence à une autre ? Pour l’instant peu de certitudes et encore beaucoup d’études requises pour proposer des mesures fiables reproductibles et auditables.
Enfin, la qualité de la data, au-delà de la quantité, est fondamentale. La corrélation entre features radiomics et gold standard (anatomopathologique , clinique…) est primordiale pour que le modèle développé soit fiable (n’oublions pas que les modèles de machines learning apprennent avec ce qu’on leur a montré ). Tout cela prend du temps et il existe encore peu d’outils adaptés. C’est pourquoi les plateformes comme celle proposé par Cleverdoc qui gère à la fois l’annotation des datas en équipe et le développement intuitif de puissant modèles de machine learning pour permettre de tester efficacement et rapidement ses hypothèses prendront toute leur places dans les années à venir.
Take home message
L’essor exponentiel de l’intelligence artificielle va de paire avec le développement croissant de la radiomics qui s’inscrit dans la continuité et en complément des plateformes d’analyse génomiques et moléculaires, déjà existantes, pour devenir grâce à l’extraction de biomarqueurs d’imagerie un incontournable de la médecine de précision.
Bibliographie sélective :
Liu Z, Wang S, Dong D, et al. The Applications of Radiomics in Precision Diagnosis and Treatment of Oncology: Opportunities and Challenges. Theranostics. 2019;9(5):1303-1322. Published 2019 Feb 12. doi:10.7150/thno.30309
Lambin P, Leijenaar RTH, Deist TM, Peerlings J, de Jong EEC, van Timmeren J, Sanduleanu S, Larue RTHM, Even AJG, Jochems A, van Wijk Y, Woodruff H, van Soest J, Lustberg T, Roelofs E, van Elmpt W, Dekker A, Mottaghy FM, Wildberger JE, Walsh S. Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol. 2017 Dec;14(12):749-762. doi: 10.1038/nrclinonc.2017.141. Epub 2017 Oct 4. PMID: 28975929.
Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images Are More than Pictures, They Are Data. Radiology. 2016 Feb;278(2):563-77. doi: 10.1148/radiol.2015151169. Epub 2015 Nov 18. PMID: 26579733; PMCID: PMC4734157.
Brunese L, Mercaldo F, Reginelli A, Santone A. Radiomics for Gleason Score Detection through Deep Learning. Sensors (Basel). 2020 Sep 21;20(18):5411. doi: 10.3390/s20185411. PMID: 32967291; PMCID: PMC7570598.
Li, J., Liu, S., Qin, Y., Zhang, Y., Wang, N., & Liu, H. (2020). High-order radiomics features based on T2 FLAIR MRI predict multiple glioma immunohistochemical features: A more precise and personalized gliomas management. PloS one, 15(1), e0227703.
Sun, R., Limkin, E. J., Vakalopoulou, M., Dercle, L., Champiat, S., Han, S. R., … & Ferté, C. (2018). 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. The Lancet Oncology, 19(9), 1180-1191.