De la preuve de concept à la validation clinique : segmentation automatisée des gliomes diffus de bas grade pour le suivi longitudinal

Introduction

Le suivi des gliomes diffus de bas grade (DLGG) reste complexe en raison de leur nature infiltrante et des remodelages cérébraux post-chirurgicaux, rendant l’évaluation IRM difficile. Les critères RANO [1], basés sur des mesures 2D, manquent de précision pour détecter les changements volumétriques subtils cruciaux pour le suivi de la progression tumorale. L’évaluation volumétrique, bien que plus précise [2], repose souvent sur des segmentations manuelles longues et peu adaptées à la pratique clinique courante. Notre étude précédente [3] a démontré la faisabilité d'un modèle nnU-Net pour la segmentation des DLGG, mais une validation clinique avec des ensembles de données plus hétérogènes est essentielle.

Méthodes

Nous avons analysé 1971 examens IRM de 207 patients DLGG, incluant des suivis longitudinaux (9.55 examensâ±8.52) avec des acquisitions 2D et 3D FLAIR. Les données ont été divisées en ensembles d'entrainement (n=1771) et de validation (n=200). Le modèle nnU-Net a été entraîné en validation croisée. Les segmentations automatiques ont été comparées aux segmentations manuelles réalisées par des neuroradiologues, en utilisant les coefficients de Dice (DSC), et de corrélation de concordance (CCC).

Résultats

Le modèle a obtenu un DSC médian de 0.93, avec 64 % des cas montrant une excellente concordance (DSC 0.9) et une concordance quasi parfaite pour le volume tumoral et le diamètre moyen (CCC>0.99). Les performances ont progressé avec l'augmentation des données d'entraînement jusqu’à un plateau à 1771 examens (Fig.1).

Discussion

Cette étude valide la robustesse du nnU-Net pour la segmentation automatique des DLGG. L'inclusion de données de suivi longitudinal et de cas post-chirurgicaux avec des cavités rend cette étude plus complète par rapport à d'autres études [4], qui se sont concentrées uniquement sur des ensembles de données préopératoires.

Conclusion

Notre étude a fourni un outil de segmentation d'une grande précision, suggérant son potentiel d'intégration clinique pour améliorer la surveillance des tumeurs. Au-delà de l'estimation des métriques, il permet une recherche ciblée dans les zones segmentées pour de grandes cohortes.