Analyse par nomogramme de radiomique basée sur l'IRM et apprentissage profond pour la prédiction de métastases ganglionnaires postopératoires chez les patients atteints de cancer du col de l'utérus localement avancé recevant une thérapie néo-adjuvante

Résumé Objectif L'objectif de cette étude était d'explorer la valeur de la combinaison des caractéristiques de radiomique et des caractéristiques d'apprentissage profond pour construire un nomogramme permettant la prédiction non invasive des métastases ganglionnaires postopératoires (MGP) par imagerie par résonance magnétique (IRM) avant la chimiothérapie néo-adjuvante (CNA) pour le cancer du col de l'utérus, afin d'assister la prise de décision clinique et le diagnostic. Méthode Deux cent soixante-cinq patients atteints de cancer du col de l'utérus ont été divisés en ensembles d'entraînement (n = 212) et de test (n = 53) dans un ratio de 8:2. Les caractéristiques de radiomique ont été extraites des séquences d'Acquisition Axiale du Foie avec Accélération de Volume plus Amélioration de Contraste (Ax-LAVA + C) de l'IRM, et les caractéristiques d'apprentissage profond (AP) ont été extraites en utilisant le modèle Inception V3. Les caractéristiques sélectionnées par LASSO ont été combinées avec quatre algorithmes d'apprentissage automatique pour construire des modèles permettant d'évaluer la valeur prédictive des caractéristiques de radiomique et des caractéristiques AP pour les MGP postopératoires chez les patients atteints de cancer du col de l'utérus opérés après CNA. Un nomogramme a été construit basé sur le modèle de Régression Logistique combinant le score de radiomique (rad-score) et le score AP. Résultats Dans le modèle de radiomique, le Perceptron Multicouche (MLP) surpasse les autres algorithmes d'apprentissage automatique, avec des AUC de 0.79 et 0.80 dans l'ensemble d'entraînement et l'ensemble de test, respectivement. Dans le modèle AP, la Machine à Vecteurs de Support (SVM) surpasse les autres algorithmes d'apprentissage automatique avec des AUC de 0.78 et 0.78 dans l'ensemble d'entraînement et l'ensemble de test, respectivement. Le nomogramme construit en combinant les caractéristiques de radiomique et d'apprentissage profond a une AUC de 0.93 et 0.89 dans l'ensemble d'entraînement et l'ensemble de test, respectivement. Il surpasse le modèle de radiomique et le modèle AP. L'analyse de la courbe de décision (DCA) montre que le nomogramme présente de bons avantages cliniques. Conclusion Les modèles de radiomique et les modèles d'apprentissage profond peuvent prédire efficacement l'état des MGP après CNA chez les patients atteints de cancer du col de l'utérus. Le nomogramme construit en combinant les caractéristiques de radiomique et d'AP a une meilleure performance prédictive par rapport au modèle de radiomique et au modèle AP.