S'abonner

Radiomics: A primer for the radiation oncologist - 20/07/20

Radiomique : une introduction pour l’oncologue radiothérapeute

Doi : 10.1016/j.canrad.2020.01.011 
J.-E. Bibault a, b, c, , L. Xing d, P. Giraud c, R. El Ayachy c, N. Giraud e, P. Decazes f, g, A. Burgun b, c, h, P. Giraud a, b
a Radiation Oncology Department, hôpital européen Georges-Pompidou, Assistance publique-Hôpitaux de Paris, 20, rue Leblanc, 75015 Paris, France 
b Université de Paris, 85, boulevard Saint-Germain, 75006 Paris, France 
c Inserm, UMR 1138, Team 22: Information Sciences to support Personalized Medicine, 15, rue de l’École-de-Médecine, 75006 Paris, France 
d Laboratory of Artificial Intelligence in Medicine and Biomedical Physics, Stanford University School of Medicine, 875 Blake Wilbur Drive, 94305-5847 Stanford, CA, USA 
e Radiation Oncology Department, CHU de Bordeaux, hôpital Haut-Lévêque, avenue Magellan, 33600 Pessac, France 
f Nuclear Medicine Department, centre Henri-Becquerel, 1, rue d’Amiens, 76038 Rouen, France 
g Quantif, EA 4108, université de Rouen, avenue de l’Université, 76801 Saint-Étienne-du-Rouvray, France 
h Biomedical Informatics and Public Health Department, hôpital européen Georges-Pompidou, Assistance publique–hôpitaux de Paris, 20, rue Leblanc, 75015 Paris, France 

Corresponding author at: Radiation Oncology Department, hôpital européen Georges-Pompidou, Assistance publique-hôpitaux de Paris, 20, rue Leblanc, 75015 Paris, France.Radiation Oncology Department, hôpital européen Georges-Pompidou, Assistance publique-hôpitaux de Paris20, rue LeblancParis75015France

Abstract

Purpose

Radiomics are a set of methods used to leverage medical imaging and extract quantitative features that can characterize a patient's phenotype. All modalities can be used with several different software packages. Specific informatics methods can then be used to create meaningful predictive models. In this review, we will explain the major steps of a radiomics analysis pipeline and then present the studies published in the context of radiation therapy.

Methods

A literature review was performed on Medline using the search engine PubMed. The search strategy included the search terms “radiotherapy”, “radiation oncology” and “radiomics”. The search was conducted in July 2019 and reference lists of selected articles were hand searched for relevance to this review.

Results

A typical radiomics workflow always includes five steps: imaging and segmenting, data curation and preparation, feature extraction, exploration and selection and finally modeling. In radiation oncology, radiomics studies have been published to explore different clinical outcome in lung (n=5), head and neck (n=5), esophageal (n=3), rectal (n=3), pancreatic (n=2) cancer and brain metastases (n=2). The quality of these retrospective studies is heterogeneous and their results have not been translated to the clinic.

Conclusion

Radiomics has a great potential to predict clinical outcome and better personalize treatment. But the field is still young and constantly evolving. Improvement in bias reduction techniques and multicenter studies will hopefully allow more robust and generalizable models.

Le texte complet de cet article est disponible en PDF.

Résumé

Objectif de l’étude

La radiomique est un ensemble de méthodes utilisées pour exploiter l’imagerie médicale et extraire des caractéristiques quantitatives afin de définir le phénotype d’un patient. Toutes les modalités d’imagerie peuvent être utilisées avec différents logiciels. Des méthodes informatiques spécifiques sont nécessaires afin de pouvoir créer des modèles cliniques. Dans cette revue, nous expliquerons les principales étapes de ce type d’analyse, puis nous présenterons les principales études réalisées dans ce domaine en oncologie radiothérapie.

Méthodes

Une revue de la littérature a été réalisée dans Medline à l’aide du moteur de recherche PubMed. La stratégie de recherche a inclus les termes «radiotherapy », « radiation oncology » et « radiomics ». La recherche a été réalisée en juillet 2019 et la liste générée a ensuite été explorée afin d’évaluer la pertinence de chaque article pour cette revue.

Résultats

Cinq étapes essentielles sont dénombrées au cours d’une étude de radiomique : l’acquisition et la délinéation de l’image, la préparation des données, l’extraction des caractéristiques, leur exploration et leur sélection et enfin la modélisation. En oncologie radiothérapie, la radiomique a été mise en œuvre dans le contexte du cancer du poumon (n=5), des cancers ORL (n=5), de l’œsophage (n=3), du rectum (n=3), du pancréas (n=2) et des métastases cérébrales (n=2). La qualité de ces études rétrospectives est hétérogène et leur modèle n’a jamais été employé en pratique clinique.

Conclusion

La radiomique présente un grand potentiel dans la prédiction de l’efficacité et de la toxicité des traitements dans une optique de médecine personnalisée. Cette discipline est toutefois encore jeune et en constante évolution. Des améliorations dans les méthodes de réduction des biais et la coopération dans des études multicentriques devraient permettre d’espérer pouvoir créer des modèles plus robustes et applicables en pratique clinique.

Le texte complet de cet article est disponible en PDF.

Keywords : Radiomics, Machine learning, Deep learning, Modeling, Radiation oncology, Clinical oncology

Mots clés : Radiomique, Apprentissage profond, Modélisation, Oncologie, Radiothérapie, Clinique


Plan


© 2020  Société française de radiothérapie oncologique (SFRO). Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 24 - N° 5

P. 403-410 - août 2020 Retour au numéro
Article précédent Article précédent
  • Interest of positron-emission tomography and magnetic resonance imaging for radiotherapy planning and control
  • G. Créhange, M. Soussan, D. Gensanne, P. Decazes, J. Thariat, S. Thureau
| Article suivant Article suivant
  • Multimodal imaging in radiotherapy: Focus on adaptive therapy and quality control
  • A. Talbot, L. Devos, F. Dubus, M. Vermandel

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

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.