Le glioblastome est le type de tumeur cérébrale primaire la plus agressive chez l’adulte avec un mauvais pronostic. L’anti angiogénique avec le bevacizumab, est actuellement le traitement le plus utilisé pour la prise en charge des glioblastomes récurrents. Cependant, la réponse thérapeutique reste très hétérogène selon les patients. L’objectif de l’étude porte sur l’identification de biomarqueur pouvant prédire la survie chez des patients atteints de glioblastome et ayant reçu le traitement au bevacizumab en tant que traitement de seconde ligne. À partir d’une cohorte de 158 patients, nous avons utilisé des données radiomiques issues de la segmentation des tumeurs, avant début du traitement, sur des images IRM T2 Flair et avec injection de gadolinium, ainsi que des données cliniques. Plusieurs techniques de machine learning ont été testées afin de prédire la survie des patients, ainsi que pour la classification selon 3 différents modèles binaire : survie à plus ou moins de 9 mois, plus ou moins de 12 mois et plus ou moins de 15 mois.

Le meilleur résultat pour la régression a été obtenu par un algorithme de gradient boosting avec un C-index de 0,61 sur le test (0,83 sur le train). L’AUC obtenu par une régression logistique sur la classification à plus ou moins 9 mois était de 0,77 (0,81 sur le train), 0,72 (0,77) pour plus ou moins 12 mois et 0,72 (0,72) pour plus ou moins 15 moins. Les scores sur la régression et la classification atteinte ici semble montrer le potentiel des radiomiques combinés avec des données diagnostiques sur la prédiction de survie des patients atteints de glioblastomes et traités au bevacizumab. De plus, la récurrence de certains paramètres parmi les modèles suggère la possibilité d’établir une signature radiomique et diagnostique (Fig. 1, Fig. 2).