L'IA en radiomique prédit qui bénéficiera de l'immunothérapie contre le cancer du foie
Un modèle d'apprentissage automatique élaboré à partir de scanners CT de routine surpasse les marqueurs cliniques standard dans la prédiction de la survie après immunothérapie pour le carcinome hépatocellulaire.
Résumé
Des chercheurs ont mis au point un modèle radiomique basé sur l'intelligence artificielle permettant de prédire quels patients atteints d'un carcinome hépatocellulaire (CHC) répondront à l'immunothérapie par atézolizumab associé au bévacizumab. À partir de scanners pré-traitement issus de 152 patients répartis dans deux centres internationaux, une autosegmentation par apprentissage profond a permis d'extraire des caractéristiques radiomiques de l'ensemble du foie. Combiné à des variables cliniques, le modèle intégré a atteint une AUC de 0,89, surpassant largement les outils standard tels que le stade BCLC (AUC 0,61) et le grade ALBI (AUC 0,48). Les patients à haut risque identifiés par le modèle présentaient une survie globale médiane de seulement 5,6 mois, contre 28,2 mois pour les patients à faible risque. Le modèle a également prédit les taux de réponse à l'immunothérapie, les patients à faible risque répondant à un taux près de deux fois supérieur à celui des patients à haut risque.
Résumé détaillé
<p>Le carcinome hépatocellulaire (CHC) est l'un des cancers les plus fréquents et les plus meurtriers dans le monde, et seule une fraction des patients bénéficie de l'immunothérapie de première ligne associant atézolizumab et bévacizumab. L'absence de biomarqueurs prédictifs fiables signifie que de nombreux patients reçoivent des traitements peu susceptibles de leur être bénéfiques, ce qui souligne le besoin urgent de meilleurs outils de stratification des patients.</p>
<p>Cette étude rétrospective a inclus 152 patients atteints de CHC provenant de deux centres internationaux — l'Imperial College London et l'Assistance Publique-Hôpitaux de Paris — tous traités par atézolizumab et bévacizumab. Une auto-segmentation par apprentissage profond a été appliquée aux scanners préthérapeutiques de routine afin de générer des masques du foie entier, à partir desquels des caractéristiques radiomiques ont été extraites. Sept algorithmes d'apprentissage automatique combinés à 13 techniques de sélection de variables ont été testés pour développer des modèles radiomiques seuls et des modèles radiomico-cliniques intégrés permettant de prédire la mortalité à 12 mois.</p>
<p>Le modèle radiomico-clinique intégré a largement surpassé les outils conventionnels de stadification clinique. Dans la cohorte ICL, il a atteint une AUC de 0,89 contre 0,61 pour le stade BCLC et 0,48 pour le grade ALBI, avec une réplication solide dans la cohorte indépendante AP-HP (AUC 0,75). La classification par k-means a séparé les patients en groupes à risque élevé et à risque faible présentant des profils de survie radicalement différents : une survie globale médiane de 5,6 vs 28,2 mois dans la cohorte ICL, et de 5,8 vs 15,7 mois dans la cohorte AP-HP.</p>
<p>Les patients à faible risque ont également présenté des taux de réponse aux inhibiteurs de points de contrôle immunitaire significativement plus élevés (35,6 % vs 21,4 %), et en analyse multivariable, le groupe radiomique s'est révélé être le prédicteur indépendant le plus puissant tant pour la survie globale (HR 3,22) que pour la survie sans progression (HR 1,82). Ces résultats suggèrent que le modèle capture des caractéristiques biologiquement significatives de la tumeur et du foie, invisibles aux métriques cliniques standard.</p>
<p>Les limites incluent le caractère rétrospectif de la conception, une taille d'échantillon relativement modeste sur seulement deux centres, ainsi que la nécessité d'une validation prospective avant toute application clinique. Néanmoins, ces travaux démontrent que l'analyse d'imagerie pilotée par l'IA à partir de scanners de routine pourrait permettre des décisions thérapeutiques de précision dans le CHC avancé.</p>
Principales conclusions
- Integrated radiomic-clinical model achieved AUC 0.89 vs. 0.61 for BCLC stage in predicting 12-month mortality.
- High-risk patients had median OS of 5.6 months vs. 28.2 months for low-risk patients in the ICL cohort.
- Low-risk patients responded to immunotherapy at nearly double the rate of high-risk patients (35.6% vs. 21.4%).
- Radiomic group was the strongest independent predictor of OS (HR 3.22) and PFS (HR 1.82) in multivariable analysis.
- Model validated in an independent international cohort, confirming generalizability with AUC 0.75.
Méthodologie
Étude rétrospective portant sur 152 patients atteints de carcinome hépatocellulaire (CHC) issus de deux centres internationaux, traités par atézolizumab et bévacizumab. Une autosegmentation par apprentissage profond a permis d'extraire des caractéristiques radiomiques à partir de scanners préthérapeutiques ; sept modèles d'apprentissage automatique combinés à 13 techniques de sélection de variables ont été testés. Une cohorte indépendante a été utilisée pour la validation externe.
Limites de l'étude
La conception rétrospective et la taille d'échantillon relativement réduite (152 patients) limitent la robustesse de l'inférence causale. Le modèle nécessite une validation prospective dans des populations plus larges et plus diversifiées avant toute adoption clinique. Certains conflits d'intérêts existent parmi les auteurs ayant des liens avec des entreprises pharmaceutiques impliquées dans le traitement du CHC.
Ce résumé vous a plu ?
Recevez les dernières recherches sur la longévité dans votre boîte de réception chaque semaine.
Saisissez votre e-mail pour vous abonner :