Une nouvelle approche d'apprentissage automatique classe un type commun de tumeur cérébrale en grades bas ou élevés avec une précision de près de 98%, rapportent des chercheurs dans la revue Accès IEEE.
Des scientifiques en Inde et au Japon, notamment de l'Institut des sciences intégrées du matériel cellulaire de l'Université de Kyoto (iCeMS), ont développé la méthode pour aider les cliniciens à choisir la stratégie de traitement la plus efficace pour les patients individuels.
Les gliomes sont un type courant de tumeur cérébrale affectant les cellules gliales, qui fournissent un soutien et une isolation aux neurones. Le traitement des patients varie en fonction de l'agressivité de la tumeur, il est donc important de poser le bon diagnostic pour chaque individu.
Les radiologues obtiennent une très grande quantité de données à partir d'IRM pour reconstruire une image 3D du tissu scanné. Une grande partie des données disponibles dans les examens d'IRM ne peuvent pas être détectées à l'œil nu, telles que des détails liés à la forme, à la texture ou à l'intensité de l'image de la tumeur.
Les algorithmes d'intelligence artificielle (IA) permettent d'extraire ces données. Les oncologues médicaux utilisent cette approche, appelée radiomique, pour améliorer les diagnostics des patients, mais la précision doit encore être améliorée.
Le bio-ingénieur iCeMS Ganesh Pandian Namasivayam a collaboré avec le scientifique des données indien Balasubramanian Raman de Roorkee pour développer une approche d'apprentissage automatique qui peut classer les gliomes en bas ou haut grade avec une précision de 97,54%.
Les gliomes de bas grade comprennent l'astrocytome pilocytaire de grade I et le gliome de bas grade de grade II. Ce sont les tumeurs les moins agressives et les moins malignes des gliomes. Les gliomes de haut grade comprennent le gliome malin de grade III et le glioblastome multiforme de grade IV, qui sont beaucoup plus agressifs et plus malins avec un temps de survie post-diagnostic relativement court.
Le choix du traitement du patient dépend en grande partie de sa capacité à déterminer le classement du gliome.
L'équipe, comprenant Rahul Kumar, Ankur Gupta et Harkirat Singh Arora, a utilisé un ensemble de données provenant d'IRM appartenant à 210 personnes atteintes de gliomes de haut grade et 75 autres avec des gliomes de bas grade.
Ils ont développé une approche appelée CGHF, qui signifie: système d'aide à la décision informatique pour la classification des gliomes en utilisant la radiomique hybride et les caractéristiques stationnaires basées sur les ondelettes.
Ils ont choisi des algorithmes spécifiques pour extraire des caractéristiques de certains des examens IRM, puis ont formé un autre algorithme prédictif pour traiter ces données et classer les gliomes. Ils ont ensuite testé leur modèle sur le reste des examens IRM pour évaluer sa précision.
«Notre méthode a surpassé les autres approches de pointe pour prédire les degrés de gliome à partir d'IRM cérébrales», explique Balasubramanian. « C'est assez considérable. »
Nous espérons que l'IA contribuera à développer un modèle de logiciel prédictif de machine semi-automatique ou automatique qui pourra aider les médecins, les radiologues et les autres médecins à adapter les meilleures approches à leurs patients. «
Ganesh Pandiyan Namasivayam, bio-ingénieur iCeMS, Université de Kyotu
La source:
Référence de la revue:
Kumar, R., et al. (2020) CGHF: A Computational Decision Support System for Glioma Classification Using Hybrid Radiomics- and Stationary Wavelet-Based Features. Accès IEEE. doi.org/10.1109/ACCESS.2020.2989193.
