To develop machine learning models for prediction of local failure for liver metastases in patients with various primary cancer treated by stereotactic body radiation therapy (SBRT) using [ ¹⁸ F]FDG PET/CT radiomics combined with clinical parameters includind dosimetric data.

We retrospectively collected 90 patients with 117 liver metastases (60% for training and 40% for testing) from University Hospital of Liège treated with SBRT between 2010 and 2020 and who had undergone pretreatment [ ¹⁸ F]FDG PET/CT. Radiomics features were extracted using the Pyradiomics toolbox®. Clinical, radiomics and combined models were trained and tested using a neural network approach to predict local failure.

In the training ( n = 68) and testing sets ( n = 49), the clinical model achieved moderate performances to predict local failure with AUCs of 0.62 (95% CI: 0.49–0.73) and 0.55 (95% CI: 0.40–0.69), respectively. The best radiomics (original_glcm_InverseVariance, original_gldm_DependenceEntropy and original_glcm_Correlation) model achieved higher predictive ability in the training and the testing sets, with AUCs of 0.83 (95% CI: 0.75–0.89) and 0.87 (95% CI: 0.74–0.95), respectively, while the combined model is slightly less efficient with AUCs of 0.75 (95% CI: 0.63–0.84) and 0.73 (95% CI: 0.59–0.85).

Radiomics features extracted from pre-SBRT [ ¹⁸ F]FDG PET/CT outperform clinical parameters in the prediction of local failure of liver metastases and could help select patients eligible for alternative treatment or dose escalation. Multicentric and prospective validation of our models with very good results should now be carried out.

Développer des modèles d’apprentissage automatique pour prédire la récidive locale des métastases hépatiques, chez des patients présentant divers cancers primitifs, traitées par radiothérapie stéréotaxique (SBRT), en utilisant la radiomique issue de la TEP/TDM au [18F]FDG combinée aux paramètres cliniques, incluant les données dosimétriques.

Nous avons recueilli rétrospectivement les données de 90 patients présentant 117 métastases hépatiques (60 % pour l’entraînement et 40 % pour le test) traitées par SBRT au centre hospitalier universitaire de Liège entre 2010 et 2020, et ayant bénéficié d’une TEP/TDM au [18F]FDG avant traitement. Les paramètres radiomiques ont été extraits à l’aide de Pyradiomics®. Des modèles cliniques, radiomiques et combinés ont été entraînés et testés via une approche par réseaux de neurones pour prédire la récidive locale.

Dans les cohortes d’entraînement ( n = 68) et de test ( n = 49), le modèle clinique a montré des performances modérées pour prédire la récidive locale, avec des aires sous la courbe (AUC) respectives de 0,62 (IC95 % : 0,49–0,73) et 0,55 (IC95 % : 0,40–0,69). Le meilleur modèle radiomique (basé sur original_glcm_InverseVariance, original_gldm_DependenceEntropy and original_glcm_Correlation) a obtenu une capacité prédictive supérieure dans les cohortes d’entraînement et de test, avec des AUC de 0,83 (IC95 % : 0,75–0,89) et 0,87 (IC95 % : 0,74–0,95). Le modèle combiné s’est révélé légèrement moins performant avec des AUC de 0,75 (IC95 % : 0,63–0,84) et 0,73 (IC95 % : 0,59–0,85).

Les paramètres radiomiques extraits de la TEP/TDM au [18F]FDG pré-SBRT surpassent les paramètres cliniques pour la prédiction de la récidive locale des métastases hépatiques et pourraient aider à identifier les patients éligibles à un traitement alternatif ou à une escalade de dose. Une validation multicentrique et prospective de nos modèles, ayant obtenu de très bons résultats, doit désormais être menée.