Approches radiomiques dans le cancer gastrique : une frontière dans la prise de décision clinique
Le cancer gastrique demeure un enjeu majeur de santé publique mondiale, malgré une diminution de son incidence au cours des dernières décennies. Il représente la troisième cause de décès liés au cancer, avec plus de 1 000 000 de nouveaux cas et environ 783 000 décès recensés en 2018. En Chine, les chiffres étaient alarmants : 6 791 000 nouveaux cas et 498 000 décès en 2015. Les modalités d’imagerie jouent un rôle crucial dans le diagnostic, la stadification et la stratification du risque, guidant le choix des stratégies thérapeutiques et améliorant le pronostic des patients. La radiomique, un domaine émergent, permet d’extraire des caractéristiques quantitatives des images médicales invisibles à l’œil nu ou non quantifiables par les analyses conventionnelles. Cet article examine les applications, les défis et les perspectives de la radiomique dans le cancer gastrique.
Aperçu de la radiomique
Introduite par Lambin et al. en 2012 puis affinée par Kumar et al., la radiomique correspond à l’extraction et l’analyse haut débit d’un grand nombre de paramètres quantitatifs avancés à partir d’images médicales (scanner, TEP, IRM). Son principal avantage réside dans sa capacité à décrypter le phénotype tumoral et le microenvironnement, inaccessibles par la radiologie traditionnelle. Associée à l’intelligence artificielle (IA), elle permet de transformer des données multidimensionnelles en modèles diagnostiques, prédictifs ou pronostiques personnalisés.
Une étude radiomique typique comporte quatre phases :
- Acquisition d’images : Des protocoles standardisés de scanographie et de reconstruction sont essentiels pour limiter la variabilité.
- Segmentation : Les régions d’intérêt (ROI) ou volumes d’intérêt (VOI) tumoraux, métastatiques ou sains sont délimités manuellement ou semi-automatiquement.
- Extraction et sélection de caractéristiques : Des paramètres morphologiques, histogramiques, texturaux ou fractals sont extraits. Les méthodes LASSO, maximum relevance and minimum redundancy ou l’analyse en composantes principales éliminent les redondances.
- Construction et validation de modèles : Des algorithmes (SVM, forêts aléatoires, réseaux neuronaux) relient les caractéristiques aux données cliniques. Une validation externe est indispensable pour garantir la reproductibilité.
Applications en cancérologie gastrique
Une revue systématique (17 études PubMed) révèle des performances modérées à excellentes de la radiomique dans :
Diagnostic différentiel
Ba-Ssalamah et al. ont différencié les lymphomes des tumeurs stromales (GIST) et adénocarcinomes avec 100 % de précision en phase artérielle scanographique. Ma et al. ont atteint 87 % de précision en phase portale.
Grade histologique
Liu et al. ont corrélé des signatures radiomiques au grade et au type de Lauren. Zhang et al. ont identifié des variations significatives des paramètres histogramiques sur l’ADC selon le grade, malgré une utilité clinique limitée (AUC faibles).
Stadification tumorale
Cinq études ont évalué l’envahissement ganglionnaire, vasculaire ou péritonéal occulte. Le modèle de Feng et al. (490 patients) a prédit les métastases ganglionnaires avec une AUC de 0,824. La nomogramme de Dong et al. (554 patients) a détecté les métastases péritonéales avec une AUC > 0,92 dans trois cohortes.
Pronostic et réponse aux traitements
Chirurgie
Giganti et al. (56 patients) ont associé l’énergie, l’entropie et l’asymétrie texturale à la survie globale. Li et al. ont intégré des signatures radiomiques et cliniques dans une nomogramme pronostique plus précise.
Chimiothérapie néoadjuvante (NAC)
L’entropie et la variance texturale se sont révélées prédictives de la réponse. Jiang et al. (1 591 patients) ont développé un classifieur pronostique avec des rapports de risque (HR) > 2,9 pour la survie sans récidive et globale.
Thérapie ciblée (trastuzumab)
Yoon et al. ont distingué les répondeurs des non-répondeurs (HER2+) par des caractéristiques de matrice de co-occurrence (AUC 0,75-0,77).
Radiothérapie
Hou et al. (43 patients) ont prédit la réponse radiologique avec une AUC de 0,816 en validation externe.
Défis et perspectives
Acquisition d’images
Les études rétrospectives multicentriques induisent une hétérogénéité (scanners multiples, épaisseurs de coupe variables). Des protocoles standardisés sont nécessaires.
Segmentation
Les approches par apprentissage profond pourraient améliorer la reproductibilité face aux biais manuels. La supériorité des VOI 3D sur les ROI 2D reste à démontrer.
Extraction de caractéristiques
La documentation transparente des méthodes de réduction de dimensionnalité est cruciale.
Validation des modèles
Une validation externe rigoureuse est requise pour assurer la généralisation.
Orientation future
Les recherches devront cibler la prédiction de survie à long terme post-NAC, l’identification de sous-groupes moléculaires et l’intégration multimodale (TEP-IRM-scanner).
Conclusions
La radiomique ouvre une ère nouvelle en oncologie digestive, transformant des données d’imagerie en biomarqueurs quantitatifs. Son intégration dans la médecine de précision nécessitera une standardisation des workflows, l’enrichissement des bases de données et l’optimisation des algorithmes d’IA.
doi.org/10.1097/CM9.0000000000000360