VERS UN DIAGNOSTIC DE PRÉCISION: APPRENTISSAGE AUTOMATIQUE INTÉGRANT DES DONNÉES D'IRM MULTIPARAMÉTRIQUE 3 TESLA POUR L'IDENTIFICATION DES TUMEURS ORBITAIRES MALIGNES

Abstract

Contexte

Les tumeurs orbitaires représentent un défi diagnostique en raison de leurs localisations variées et de leurs nombreuses histopathologies. Au cours des dernières années, les avancées en imagerie ont amélioré le diagnostic mais la classification demeure difficile. L'application de l'intelligence artificielle en radiologie et en ophtalmologie a montré des résultats prometteurs.

Objectif

L'objectif principal de cette étude était de développer et d'évaluer les performances de l'apprentissage automatique dans l'identification des tumeurs orbitaires malignes à partir de l'IRM 3 Tesla multiparamétrique.

Méthodes

Cette étude prospective monocentrique a inclus des patients atteints de masses orbitaires explorées par IRM 3 Tesla avant toute chirurgie entre décembre 2015 et mai 2021. Nous avons utilisé un modèle Random Forest avec une validation croisée stratifiée imbriquée, en utilisant différentes combinaisons de variables explicatives. Les valeurs SHAP (SHapley Additive exPlanations) ont été utilisées pour évaluer les contributions des variables. Plusieurs métriques ont évalué les performances du modèle.

Résultats

Nous avons analysé 113 patients (50,4 % de femmes, 49,6 % d'hommes), avec un âge moyen de 51,5 ans [19-88]. Parmi les huit modèles évalués, celui qui incorporait l'ensemble des 46 variables explicatives (morphologie, DWI, DCE et IVIM) obtenait une AUC de 0,9 [0,73-0,99], tandis que le modèle "signature à 10 variables" obtenait une AUC de 0,88 [0,71-0,99]. Les dix variables les plus influentes pour le modèle de Random Forest comprenaient trois variables quantitatives d'IVIM, quatre variables quantitatives DCE, une variable quantitative de DWI, une variable qualitative de DWI qualitative et l'âge [1-5].

Conclusion

Ce travail suggère que l'apprentissage automatique, combinant des données multiparamétriques d'IRM, incluant la DCE, la DWI, l'IVIM et l'imagerie morphologique, peut fournir des modèles performants pour la classification des tumeurs orbitaires. Le modèle "signature à 10 variables" peut être préféré en raison de ses performances solides, de sa simplicité et du principe de parcimonie.