Comparaison d’algorithmes d’apprentissage automatique utilisés pour construire un modèle pronostique basés sur les paramètres d’imagerie dans les cancers du poumon - 24/04/18
pages | 2 |
Iconographies | 0 |
Vidéos | 0 |
Autres | 0 |
Résumé |
Plusieurs études ont mis en évidence la valeur pronostique indépendante de différents paramètres dérivés des examens TEP/TDM au 18 FDG réalisés avant tout traitement dans les cancers du poumon. Il existe alors plusieurs stratégies pour combiner ces différents paramètres d’intérêt dans un modèle pronostique. Dans ce contexte, notre objectif était de comparer 2 approches d’apprentissage automatique.
Matériel et méthodes |
Seules les lésions primitives ont été considérées et analysées après segmentation des images TEP et TDM de l’examen TEP/TDM réalisé avant traitement. Trois méthodes de rééchantillonnage ont été testées avant l’extraction des paramètres de texture de 2e ordre et d’ordre supérieur. Toutes les données cliniques disponibles et les paramètres dérivés de l’imagerie ont été utilisés pour alimenter deux processus d’apprentissage automatique (sélection des paramètres, classifieur), un algorithme SVM (machine à vecteurs de support) et une approche RF (forêt d’arbres décisionnels). Nous avons comparé les performances de ces 2 approches pour identifier les patients ayant une survie globale inférieure à 6 mois au sein d’une cohorte de 101 patients ayant un cancer pulmonaire non à petites cellules stade 2 ou 3. La population a été scindée en un groupe d’apprentissage (67 % des patients) et un groupe d’évaluation (33 % des patients).
Résultats |
Dans le groupe d’apprentissage, l’exactitude du modèle le plus efficace de type RF, établi avec un nombre réduit de paramètres (10) dérivés de l’imagerie était de 82 % (sensibilité 88 %, spécificité 76 %). Sur le groupe d’évaluation, l’exactitude de ce modèle était de 62 % (sensibilité 71 %, spécificité 53 %). Les performances ont été améliorées (exactitude de 71 %) en considérant un nombre plus important de paramètres (22). La meilleure approche SVM avec un nombre de paramètres réduits (11) avait une exactitude de 84 % (sensibilité 86 %, spécificité 82 %), mais une efficacité réduite sur le groupe d’évaluation (exactitude de 53 %). Les performances ont pu être améliorées en incluant un nombre plus important de paramètres dans le modèle (25), permettant d’obtenir une exactitude de 91 % sur le groupe d’apprentissage, mais avec une efficacité toujours limitée sur le groupe d’évaluation (exactitude de 59 %).
Conclusion |
Nos résultats montrent que l’approche SVM est plus efficace pour la phase d’apprentissage mais c‘est l’approche RF qui donne les meilleures performances lors de la mise en œuvre sur un groupe test.
Le texte complet de cet article est disponible en PDF.Mots clés : Valeur pronostique, Oncologie, Traitement des images, Cancer pulmonaire, Traitement des images
Plan
Vol 42 - N° 3
P. 167-168 - mai 2018 Retour au numéroBienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.
Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.
Déjà abonné à cette revue ?