Prédiction de l’expression de PD-L1 sur scanner pré-thérapeutique dans une cohorte rétrospective de patients atteints d’adénocarcinome gastrique avancé

Abstract

Introduction

Les indications actuelles d’immunothérapie dans la prise en charge des cancers gastriques avancés sont soumises à l’expression du Programmed Death Ligand 1 (PD-L1), évaluée en immunohistochimie en calculant le Combined Positive Score (CPS) qui prend en compte l’expression de PD-L1 sur les cellules tumorales et les cellules immunitaires. L’évaluation de ce biomarqueur est chronophage, opérateur-dépendant et hétérogène au sein de la même tumeur.

Objectif

Cette étude vise à prédire l’expression de PD-L1 par le score CPS chez des patients atteints d’adénocarcinome gastrique avancé, sur scanner pré-thérapeutique par un algorithme de Deep Learning, cherchant ainsi à identifier un biomarqueur radiologique en intelligence artificielle plus simple, reproductible et non invasif.

Matériel et méthode

Nous avons mené une étude rétrospective multicentrique, incluant tous les patients atteints d’un adénocarcinome gastrique avancé. Les critères d’inclusion étaient un adénocarcinome gastrique ou de la jonction oeso-gastrique histologiquement prouvé, une tumeur localement avancée de stade T3 ou T4, non résécable, un tissu tumoral et imagerie par scanner disponibles et obtenus avant le début du traitement systémique.

Le CPS a été calculé pour chaque patient en évaluant l’expression de PD-L1 en immunohistochimie avec comme seuil positif un CPS PD-L1 ≥ 1. Les images de tomodensitométrie ont été collectées et segmentées en utilisant une technique d’apprentissage profond à l’aide de l’outil Total Segmentator. Afin de prédire le CPS sur les images de tomodensitométrie, différentes architectures de réseaux de neurones ont été utilisées et comparées entre elles. Une validation croisée à cinq plis a été utilisée pour évaluer la performance des différents modèles.

Elle divise l’ensemble de données en sous ensemble et en un nombre prédéfini. Le processus d’entraînement et de validation est répété plusieurs fois. Les indices d’évaluation adoptés dans cette étude comprennent la matrice de confusion, l’aire sous la courbe, la validation, la précision, et le rappel.

Résultats

Au total sur les 58 patients atteints d’adénocarcinome oeso-gastrique inclus, la majorité étaient des hommes, avec un poids moyen de 70,8 kg et un âge moyen de 65 ans. En immunohistochimie 23 patients présentaient un CPS positif (≥ 1) et 35 un CPS négatif. Après analyse par apprentissage profond, parmi les réseaux de neurones testés le modèle SENet (192, 192, 96) a correctement prédit le score CPS pour 41(71 %) patients (13 CPS positifs, 28 CPS négatifs). Les autres modèles DenseNet, EfficientB7 et SENet (128, 128, 64) ont permis 27(46 %), 36(62 %) et 37(64 %) prédictions correctes, respectivement. Le modèle SENet a également obtenu en moyenne un AUC de 0,64, une précision de validation de 0,70, une précision de 0,73 et un rappel de 0,56 sur les cinq plis de validation croisée. Les autres modèles ont obtenu des performances limitées.

Conclusion

Cette étude pilote suggère que le deep learning pourrait être utilisé pour estimer le CPS de manière simple, reproductible et non invasive dans les adénocarcinomes oeso-gastriques avancés.