Les modèles d’apprentissage automatique peuvent aider à déterminer le risque de métastases cérébrales chez les patients atteints de NSCLC

Les modèles de prédiction assistés par apprentissage automatique sont capables d’apprendre la relation entre les caractéristiques cliniques et le développement ultérieur de métastases cérébrales (BM) chez les patients atteints d’un cancer du poumon non à petites cellules (NSCLC) qui présentent un risque élevé de BM et pourraient bénéficier d’une surveillance cérébrale L’IRM, selon une étude publiée dans Cancer du poumon clinique.

Le cancer du poumon est l’un des cancers les plus diagnostiqués dans le monde, avec environ 2,2 millions de cas rien qu’en 2020, et est la principale cause de décès par cancer. Le NSCLC représente environ 85 % des cancers du poumon et l’incidence du BM est de 20 à 40 % des patients atteints de NSCLC. L’incidence de BM dans le NSCLC est l’une des plus élevées parmi les sous-types de cancer, et la détection précoce est essentielle pour améliorer les perspectives cliniques.

Dans l’étude, les chercheurs ont formé et validé des modèles de classificateurs pour identifier les patients à haut risque de développer un BM, car ils pourraient éventuellement bénéficier d’une IRM cérébrale de surveillance.

Un total de 395 patients constituaient la cohorte clinique, qui comprenait des patients avec un diagnostic initial de NSCLC entre janvier 2011 et avril 2019 et un scanner thoracique en clinique qui ont été recrutés rétrospectivement dans un centre allemand de lutte contre le cancer du poumon. Une imagerie cérébrale a été réalisée au diagnostic initial et en cas de symptômes neurologiques au cours du suivi. Les sujets perdus de vue ou encore en vie sans BM à la date limite des données de décembre 2020 n’ont pas été inclus.

Les caractéristiques radiomiques cliniques et/ou 3D de la tumeur primaire à partir de la stadification du scanner thoracique ont été incluses en tant que covariables. Au total, 4 modèles d’apprentissage automatique pour la prédiction (formation 80/20) ont été comparés. L’importance de Gini et le SHAP (protéine associée à l’HA dérivée du sérum) ont été utilisés comme mesures d’importance, tandis que la sensibilité, la spécificité, l’aire sous la courbe de précision-rappel et le coefficient de corrélation de Matthew ont été utilisés comme mesures d’évaluation.

“Les modèles de classification qui n’utilisaient que des caractéristiques cliniques comme données d’entrée ont montré les meilleures performances lorsqu’ils étaient réglés pour maximiser le rappel afin d’améliorer les études prospectives, obtenant au mieux une sensibilité d’environ 70 % et une spécificité juste au-dessus de 60 %”, ont écrit les auteurs.

Les caractéristiques radiomiques n’ont pas fourni suffisamment d’informations, probablement en raison de l’hétérogénéité des données d’imagerie. L’histologie de l’adénocarcinome, l’envahissement des ganglions lymphatiques et le grade histologique de la tumeur au moment du diagnostic étaient positivement corrélés à la prédiction de la MB, tandis que l’âge et l’histologie du carcinome épidermoïde au moment du diagnostic étaient corrélés négativement. La raison pour laquelle les patients plus jeunes ont un risque plus élevé de BM n’a pas été entièrement explorée. Les analyses de sous-population ont révélé que 2 sous-groupes semblaient présenter un risque plus élevé de BM : les patientes présentant une histologie d’adénocarcinome et les patientes présentant un adénocarcinome sans autres métastases à distance.

Une évaluation de l’importance des caractéristiques d’entrée a montré un accord élevé avec la littérature existante, ce qui suggère que les modèles de prédiction apprennent les relations pertinentes entre les caractéristiques cliniques du NSCLC et le développement ultérieur de BM.

Certains prédicteurs connus, comme la présence de EGFR mutations, n’ont pas montré de résultats statistiquement significatifs, peut-être en raison de la petite taille de l’ensemble de données, aggravée par la fraction élevée de valeurs manquantes, ont noté les auteurs. De plus, le taux de EGFR les mutations dans la population principalement caucasienne devraient être extrêmement faibles, même dans des ensembles de données complets.

Dans l’analyse, les patientes semblaient être plus vulnérables au BM, ce qui se reflète dans la corrélation des valeurs SHAP avec le BM. Cela pourrait être un effet indirect, notent les auteurs, puisque les femmes sont plus susceptibles de développer des adénocarcinomes et que le sexe féminin est un facteur prédictif de EGFR mutations, qui seules sont positivement corrélées avec le développement de BM.

En général, l’analyse suggère que les fonctionnalités hautement classées identifiées dans l’étude devraient être incluses dans tout modèle d’apprentissage automatique visant à prédire fortement le développement du BM.

Une approche supplémentaire qui a montré un potentiel dans l’identification des sous-groupes à haut risque est la combinaison de paramètres cliniques avec des signatures d’expression génique dans les tumeurs primaires qui sont spécifiquement liées à BM et non associées au développement de métastases vers d’autres sites ou simplement à la récidive de la maladie . La voie de la phosphorylation oxydative semble notamment être fortement associée au risque de BM, notent les auteurs.

Une limitation importante était le fait que le traitement systémique et le dépistage des mutations conductrices avaient complètement changé au cours de la période de recrutement, et donc le nombre réel de patients possédant des mutations conductrices et leur impact possible sur la population n’étaient pas clairs.

« Employé de manière prospective au diagnostic initial, [prediction] Les modèles peuvent aider à identifier les patients à haut risque qui pourraient bénéficier d’une IRM cérébrale de surveillance pour la détection et le traitement précoces du BM asymptomatique nouvellement développé », ont conclu les chercheurs.

Référence

Visonà G, Spiller LM, Hahn S, et al. Prédiction assistée par l’apprentissage automatique du développement des métastases cérébrales dans les cancers du poumon non à petites cellules. Cancer du poumon clinique. Publié en ligne le 6 août 2023. doi:10.1016/j.cllc.2023.08.002