Yingping Li

Intelligence artificielle et radiomiques pour le diagnostic du cancer: L'intelligence artificielle (IA) est très utilisée pour le diagnostic et le traitement de données médicales, donnant lieu à la médecine personnalisée assistée par l'IA. Ce manuscrit se concentre sur la proposition et l'analyse de méthodes d'IA, notamment l'apprentissage profond et la radiomique, pour le diagnostic du cancer. Tout d'abord, une approche efficace de segmentation automatique est essentielle pour mettre en place une méthode de diagnostic par IA, car c'est un préalable à une analyse par radiomiques. Nous avons proposé une nouvelle approche pour la segmentation automatique des lésions dans les images échographiques, basée sur des données multicentrique et multipathologique présentant différents types de cancers. En introduisant la convolution de groupe, nous avons proposé un réseau U-net léger en mémoire sans sacrifier les performances de segmentation. Deuxièmement, nous nous sommes intéressés au traitement de données d'imagerie par résonance magnétique (IRM) pour prédire de manière non invasive le sous-type de gliome, défini par le grade de la tumeur, la mutation de l'isocitrate déshydrogénase (IDH) et la codélétion 1p/19q. Nous proposons une approche par radiomiques. La performance de prédiction s'est améliorée de manière significative en optimisant différents paramètres de notre modèle. Les caractéristiques des éléments radiomiques qui distinguent le mieux les sous-types de gliome ont également été analysées. Ce travail a non seulement fourni un pipeline qui fonctionne bien pour prédire le sous-type de gliome, mais il a également contribué au développement et à l'interprétabilité du modèle radiomique. Troisièmement, nous nous intéressons à la problématique de reproductibilité des approches basées sur les radiomiques. Nous avons donc étudié l'impact de différentes méthodes de prétraitement d'images et de méthodes d'harmonisation (y compris la normalisation de l'intensité et l'harmonisation ComBat) sur la reproductibilité des caractéristiques radiomiques en IRM. Nous avons montré que la méthode ComBat est essentielle pour éliminer la variation non biologique causée par les différents paramètres d'acquisition d'image (à savoir, les effets du scanner) et améliorer la reproductibilité des caractéristiques dans les études radiomiques. Nous avons illustré l'importance de la normalisation de l'intensité, car elle permet d'obtenir des images IRM plus comparables et des résultats plus robustes. Enfin, nous avons cherché à améliorer la méthode ComBat en modifiant l'hypothèse classique, à savoir que les effets du scanner sont différents pour différentes classes (comme les tumeurs et les tissus normaux). Bien que le modèle proposé donne des résultats encore décevants, sûrement en raison du manque de contraintes appropriées pour aider à identifier les paramètres, il a néanmoins ouvert la voie à des perspectives intéressantes.

Gliomas are among the most common types of central nervous system (CNS) tumors. A prompt diagnosis of the glioma subtype is crucial to estimate the prognosis and personalize the treatment strategy. The objective of this study was to develop a radiomics pipeline based on the clinical Magnetic Resonance Imaging (MRI) scans to noninvasively predict the glioma subtype, as defined based on the tumor grade, isocitrate dehydrogenase (IDH) mutation status, and 1p/19q codeletion status. A total of 212 patients from the public retrospective The Cancer Genome Atlas Low Grade Glioma (TCGA-LGG) and The Cancer Genome Atlas Glioblastoma Multiforme (TCGA-GBM) datasets were used for the experiments and analyses. Different settings in the radiomics pipeline were investigated to improve the classification, including the Z-score normalization, the feature extraction strategy, the image filter applied to the MRI images, the introduction of clinical information, ComBat harmonization, the classifier chain strategy, etc. Based on numerous experiments, we finally reached an optimal pipeline for classifying the glioma tumors. We then tested this final radiomics pipeline on the hold-out test data with 51 randomly sampled random seeds for reliable and robust conclusions. The results showed that, after tuning the radiomics pipeline, the mean AUC improved from 0.8935 (±0.0351) to 0.9319 (±0.0386), from 0.8676 (±0.0421) to 0.9283 (±0.0333), and from 0.6473 (±0.1074) to 0.8196 (±0.0702) in the test data for predicting the tumor grade, IDH mutation, and 1p/19q codeletion status, respectively. The mean accuracy for predicting the five glioma subtypes also improved from 0.5772 (±0.0816) to 0.6716 (±0.0655). Finally, we analyzed the characteristics of the radiomic features that best distinguished the glioma grade, the IDH mutation, and the 1p/19q codeletion status, respectively. Apart from the promising prediction of the glioma subtype, this study also provides a better understanding of the radiomics model development and interpretability. The results in this paper are replicable with our python codes publicly available in github.

In brain MRI radiomics studies, the non-biological variations introduced by different image acquisition settings, namely scanner effects, affect the reliability and reproducibility of the radiomics results. This paper assesses how the preprocessing methods (including N4 bias field correction and image resampling) and the harmonization methods (either the six intensity normalization methods working on brain MRI images or the ComBat method working on radiomic features) help to remove the scanner effects and improve the radiomic feature reproducibility in brain MRI radiomics. The analyses were based on in vitro datasets (homogeneous and heterogeneous phantom data) and in vivo datasets (brain MRI images collected from healthy volunteers and clinical patients with brain tumors). The results show that the ComBat method is essential and vital to remove scanner effects in brain MRI radiomic studies. Moreover, the intensity normalization methods, while not able to remove scanner effects at the radiomic feature level, still yield more comparable MRI images and improve the robustness of the harmonized features to the choice among ComBat implementations.