Treffer: Radiomique sur la TEP au 68Ga-DOTATATE pour la caractérisation du potentiel de croissance des tumeurs neuroendocrines avec un modèle de Random Forest

Les tumeurs neuroendocrines (TNE), bien que rares, sont un type de cancer de plus en plus incident. Leur croissance et pronostic sont étroitement liés à leur grade pathologique, déterminé par des méthodes invasives. Ce projet vise à développer une méthode semi-automatique de segmentation des volumes d’intérêt (VOIs) des lésions de TNE sur les images de TEP au 68Ga-DOTATATE pour réaliser une analyse radiomique et construire un modèle Random Forest (RF) capable de prédire le potentiel de croissance des lésions de TNE. Pour y arriver, les études de patients souffrant de TNE et ayant eu au moins deux TEP au 68Ga-DOTATATE en 2 ans ont été sélectionnées, totalisant 298 lésions chez 53 patients. Pour chaque patient, la segmentation semi-automatique a été effectuée sur la première étude avec le logiciel MIM Encore, alors que la croissance des lésions a été évaluée sur la deuxième étude selon une échelle RECIST 1.1 modifiée. 108 paramètres radiomiques ont été extraits de chaque VOI avec PyRadiomics, suivi de tests statistiques appropriés (Mann-Whitney U, test T de Student) sur les moyennes avec validation croisée des résultats. Les VOIs ont ensuite été répartis aléatoirement en groupes d’entraînement et de validation (8:2). En utilisant scikit-learn de Python, les données d'entraînement ont été utilisées pour construire des modèles de prédiction RF et effectuer un ajustement des hyperparamètres à l'aide d'une validation croisée à 5 volets afin d'optimiser l’aire sous la courbe (AUC). Cette étape a été itérée 1000 fois, construisant différents modèles RF en modifiant la graine aléatoire utilisée pour générer les arbres décisionnels et effectuer la recherche aléatoire nécessaire à l'optimisation des hyperparamètres. Le modèle avec la meilleure AUC sur le groupe de validation a été retenu, avec des performances finales évaluées avec l'exactitude, la sensibilité et la spécificité. Le modèle RF final présentait une AUC de 0,93 et une précision de 0,85 sur le groupe d'entraînement
Neuroendocrine tumors (NETs) are a rare, but increasingly prevalent contingent of cancers. Their growth and prognosis vary widely according to their pathological grading, obtained via invasive methods. This project aims to develop a semi-automatic segmentation method to draw volumes of interest (VOIs) of NET lesions imaged on 68Ga-DOTATATE PET scans to conduct a radiomic analysis and use the calculated features to build a random forest (RF) machine learning model predicting the growth potential of individual NET lesions. Studies of patients with NETs who have undergone two or more 68Ga-DOTATATE studies within a 2-year period were retrospectively selected, for a total of 298 individual NET lesions across 53 patients. For each patient, semi-automatic lesion segmentation was performed on the first study using the software MIM Encore, whereas the second study was used to assess individual lesion growth based on a modified RECIST 1.1. 108 radiomic features were extracted from each lesion’s VOI using PyRadiomics. A statistical analysis was conducted using Mann-Whitney U and Student’s T tests along with cross-validation. VOIs were then randomly split in training and validation sets (8:2 ratio). Using Python’s scikit-learn library, the training data was used to build RF prediction models and perform hyperparameter tuning using 5-fold cross-validation to optimize area under curve (AUC). This step was iterated 1000 times, building different RF models by changing the random seed used to generate the decision trees and to perform the randomized search necessary for hyperparameter optimisation. The model that scored the highest AUC on the validation group was retained and its final performance was also assessed using accuracy, sensitivity, and specificity. The final RF model had a high AUC of 0.93 coupled with a predictive accuracy of 0.85 on the training group. On the validation group, AUC was 0.77 and accuracy was 0.72, along with a sensitivity of 0.66 and a specific