Les nomogrammes cliniques, comme MSKCC et Briganti-2019, sont largement utilisés pour prédire le risque de maladie localement avancée avant prostatectomie totale (PT). Pourtant, leurs performances chutent souvent sur des cohortes distinctes de celles sur lesquelles ils ont été construits. Notre étude vise à créer de nouveaux modèles robustes et fiables prédictifs du risque d’extension locorégionale du cancer de la prostate (CaP) à l’aide d’approches d’apprentissage automatique.

Nous avons analysé rétrospectivement les données de 381 patients traités par PT robot-assistée pour un CaP localisé dans deux centres français. Quatre modèles ont été développés à partir de données cliniques, radiologiques et anatomopathologiques préopératoires pour évaluer le risque d’extension extra-capsulaire (EEC), d’envahissement des vésicules séminales (EVS) et d’envahissement ganglionnaire (pN+) : (i) régression logistique avec sélection pas à pas (RL-stepwise), (ii) régression pénalisée (LASSO), (iii) forêts aléatoires (RF) ; (iv) Support Vector Machine (SVM). Les algorithmes ont été entraînés sur les patients du centre A (n=198), puis indépendamment testés sur ceux du centre B (n=183). Les performances sont rapportées sur le centre B via l’aire sous la courbe ROC (AUC) avec son intervalle à 95 % (IC 95 %) estimé par bootstrapping, la pente de calibration (Cal) et le score de Brier.

Les caractéristiques des patients sont présentées dans la Figure 1. Le risque d’EEC était le mieux prédit par le RL-stepwise (AUC 0,69, IC 95 % 0,60–0,77, Brier 0,19, Cal 0,83). Le modèle SVM conduisait aux meilleures performances pour la prédiction d’EVS (AUC 0,75, IC 95 % 0,68–0,88, Brier 0,05, Cal 1,16) et de pN+ (AUC 0,76, IC 95 % 0,61–0,88, Brier 0,07, Cal 0,76). Comparativement aux nomogrammes utilisés en pratique clinique, les algorithmes développés avaient des performances supérieures pour l’estimation du risque d’EEC et de pN+ (p=0,02 et p=0,005 respectivement, Figure 2). L’importance des variables incluses dans chacun des algorithmes est schématisée dans la Figure 3.

Les trois outils que nous avons développés semblent surpasser les modèles conventionnels pour prédire l’extension locorégionale du CaP. Ces performances pourraient s’expliquer par l’intégration de nouvelles variables, en particulier des données issues de l’IRM (Figure 3). Nos outils nécessitent une validation à plus grande échelle avant d’être proposés pour utilisation en pratique clinique.