Methodological developments in radiomics

La radiomique est une discipline basée sur le calcul de paramètres à partir d’images médicales et de leur analyse pour prédire, par exemple, la nature d’une lésion ou sa réponse à un traitement. En cancérologie, l’avantage de la radiomique est que contrairement aux biopsies, les images médicales fournissent des informations anatomiques, fonctionnelles et moléculaires concernant l'intégralité de la tumeur, voire l'ensemble des foyers tumoraux, ainsi que de l'environnement tumoral. Néanmoins, l’utilisation de la radiomique implique le développement de méthodes spécifiques pour extraire des paramètres radiomiques, gérer des données hétérogènes, déterminer si les données contiennent de l’information utile pour une tâche, ou encore tester la validité des conclusions obtenues à partir de cohortes de faible effectif. Notre travail a traité de certains de ces problèmes. Tout d’abord, il n'existe pas vraiment de méthodes permettant de le déterminer si les images contiennent des informations pertinentes pour le problème que l’on souhaite résoudre, et nous nous sommes donc intéressés à cette question. Pour cela, nous avons d’abord considéré la représentation des données au moyen des cartes de chaleur. Notre étude confirme qu'il est possible de trouver des groupes de patients présentant des caractéristiques communes sur ces cartes de chaleur. Cependant, nous n’avons pas réussi à identifier une méthode fiable pour prédire l'appartenance des patients à une classe à partir des données structurées au moyen de cartes de chaleur. Nous avons alors mis en œuvre des méthodes d'apprentissage automatique, en étudiant le comportement des performances des modèles développés avec la technique de validation croisée en fonction de l'effectif de patients utilisé pour différentes méthodes de classification. Les tendances observées nous ont permis de développer une méthode qui prédit les performances qui peuvent être obtenues avec une grande cohorte, et donc de conclure à la présence d’informations, ou non, dans les données, pour une tâche de classification binaire donnée. Ensuite, afin de pouvoir exploiter les cohortes de faibles effectifs lorsqu'elles contiennent de l'information, une méthode basée sur l'utilisation des valeurs des paramètres extraits à l'échelle du voxel a été mise au point. Cette méthode permet, à effectifs égaux, d'obtenir des performances non significativement différentes de celles obtenues avec les données issues de l'analyse globale du volume d'intérêt. De plus, les performances estimées sur les données d’apprentissage s’avèrent très proches de celles observés ensuite sur un ensemble de test, ce qui permet d’exploiter d’emblée tous les patients pour concevoir le modèle. Enfin, ces différents développements méthodologiques ont été appliqués à diverses problématiques cliniques, en collaboration avec des collègues médecins nucléaires ou radiologues : le diagnostic différentiel entre endocardites sur prothèse de valve et inflammation non spécifique à partir d’images TEP au FDG, la classification de tumeurs du poumon à partir d’IRM, et la prédiction de la réponse à la chimiothérapie néoadjuvante à partir d’images TEP au FDG de patientes atteintes de cancer du sein triple négatifRadiomics is an emerging field based on the extraction of features computed from medical images. The assumption is that these features might help characterize the underlying biology and predict patient response to treatment. In oncology, medical images provide anatomical, functional and molecular information regarding the whole tumor (or the set of tumoral foci) as well as its (micro)environment, contrary to a biopsy. Nevertheless, radiomics requires the development of methodological tools to extract the features, handle heterogeneous data, determine if there is enough information in the data for a given classification or prediction task, or conclude on the validity of the conclusions drawn from a small cohort. Our research has focused on some of these problems. First, there is no method to determine if specific images contain predictive information for a given classification task. Therefore, we have investigated this issue. First, a method based on the visualisation of the data structure called heat map was used and we confirmed that patients with similar characteristics were clustered together in such heat maps. Yet, we were not able to identify a reliable method to determine to which class the patients belong to using heatmaps only. We have therefore studied machine learning methods using cross-validations. The evolution of model performance as a function of the number of patients used to identify a classification model was studied and the observed trends were used to develop a method to predict the performance that can be reached with a big data set, thus concluding at the presence of information or not. Then, to use small cohorts in which we first demonstrated that they contain relevant information for the task of interest, we have developed a voxel-based method exploiting radiomic feature maps to build classification models. Results obtained using this method were not significantly different from the ones obtained when the radiomic features are extracted from the whole tumour volume. Besides, the performance predicted based on the training set was actually confirmed on the test set, suggesting all data could actually be used to design the models. Last, these different methodological tools were applied to a few different clinical tasks of interest to nuclear medicine physician or radiologist colleagues, including: differential diagnostic of endocarditis of prosthetic valve and nonspecific inflammation from FDG PET/CT images, lung lesions classification from MRI image and prediction of the response to neoadjuvant chemotherapy from FDG PET/CT images of patients with triple negative breast cancer