S'abonner

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

Doi : 10.1016/j.mednuc.2018.03.092 
C. Cheze Le Rest 1, , T. Upadhaya 1, M.C. Desseroit 1, D. Visvikis 2, R. Perdrisot 1, M. Hatt 3
1 Médecine nucléaire, CHU, Poitiers, France 
2 Latim, Inserm, Brest, France 
3 Latim, Inserm 1101, Brest, France 

Auteur correspondant.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

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


© 2018  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 42 - N° 3

P. 167-168 - mai 2018 Retour au numéro
Article précédent Article précédent
  • Comparaison des performances NEMA entre des caméras TEP analogique et numérique de dernière génération
  • J. Salvadori, A. Verger, E. Chevalier, M. Perrin, V. Roch, M. Claudin, P. Olivier, G. Karcher, P.Y. Marie, L. Imbert
| Article suivant Article suivant
  • Modélisation d’une tomoscintigraphie pulmonaire de ventilation perfusion double isotope normale en simulation Monte-Carlo
  • D. Bourhis, M. Essayan, P. Robin, R. Abgral, A. Le Duc Pennec, P.Y. Salaün, P.Y. Le Roux

Bienvenue 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 ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.