Le but de cette étude est d’étudier les performances de l’analyse radiomique IRM dans le cadre du diagnostic des tumeurs des glandes parotides utilisant des méthodes d’apprentissage automatique (machine learning). Nous évaluerons également l’impact des modèles de classification radiomique sur les interprétations de radiologues expérimentés et d’internes suivant un cursus de formation dans cette spécialité.

Un total de 145 patients ont participé à cette étude monocentrique (Gustave Roussy cancer campus). Deux tâches de classification ont été considérées : classification binaire bénin/malin, et classification en 5 classes correspondant aux sous-types histologiques (adénome pléomorphe, tumeur de Warthin, lymphome, carcinome et autres types). Nous développons plusieurs modèles d’apprentissage automatique en utilisant des features suivant le standard IBSI, extraites des séquences T1, T2 FLAIR, T1 gadolinium et diffusion de chaque patient. Ces modèles sont ensuite évalués à l’aide d’une procédure de validation croisée et des courbes ROC associées. Enfin, nous vérifions la capacité du meilleur modèle à aider les radiologues experts et internes à différencier les tumeurs.

Les résultats et figures présentés ci-après sont préliminaires : l’étude est en cours de développement. Classification binaire bénin/malin : Un modèle de Random Forest donne une AUC moyenne de 0,663±0,04 et une accuracy de 0,64±0,06 (Fig. 1). En utilisant une procédure de sélection de features ayant recours à un test F ANOVA, nous obtenons une AUC moyenne de 0,691±0,12 et une accuracy de 0,66±0,11. Classification en sous-types histologiques : stratégie One-vs-Rest. Adénome pléomorphe vs autres : AUC=0,81±0,05, accuracy=0,76±0,06. Tumeur de Warthin vs autres : AUC=0,82±0,12, accuracy=0,80±0,06. Lymphome vs autres : pas assez d’exemples dans le jeu d’entraînement, l’utilisation d’une méthode de rééchantillonnage est à prévoir. Carcinome vs autres : AUC=0,63±0,10, accuracy=0,64±0,04. Comparaison aux radiologues experts et internes : en cours de réalisation.

Les résultats préliminaires de classification binaire indiquent qu’il est possible d’utiliser des algorithmes d’apprentissage automatique établis sur des features radiomiques pour différencier la malignité des tumeurs de la glande parotide. Cependant, ces résultats pourraient être améliorés grâce à un volume de données plus important. Il est à remarquer que cette tâche binaire est également complexe pour les radiologues : en effet, il n’existe pas de lien tangible entre les différents sous-types histologiques qui puisse expliquer la malignité ou non d’une tumeur. Concernant la classification multi-classe, il apparaît que les adénomes pléomorphes et les tumeurs de Warthin sont les plus simples à catégoriser. Or, il s’agit de tumeurs bénignes : les carcinomes se révèlent plus difficilement différentiables alors qu’ils sont malins. Toutefois, à l’heure où ce document est écrit, il reste plusieurs axes de recherche possibles que nous étudierons prochainement (Fig. 2).