Diagnostic du carcinome hépatocellulaire clair primitif du foie basé sur un réseau neuronal convolutif rapide basé sur les régions
Introduction
Le carcinome hépatocellulaire (CHC) demeure l’une des tumeurs malignes primitives du foie les plus fréquentes, avec environ 905 700 nouveaux cas et 830 000 décès signalés en 2020. Parmi ses sous-types, le carcinome hépatocellulaire clair primitif (CHCP) est une variante rare caractérisée par des caractéristiques histopathologiques distinctes et un pronostic relativement favorable par rapport au CHC classique (CHCC). Les études indiquent que les patients atteints de CHCP présentent des taux de survie globale et sans maladie supérieurs à ceux du CHCC, potentiellement liés à des taux plus bas de mutations du promoteur de la télomérase reverse transcriptase. Cependant, la différenciation préopératoire entre le CHCP et le CHCC par les méthodes d’imagerie traditionnelles comme la tomodensitométrie (TDM) reste complexe. Les deux types partagent des caractéristiques cliniques et radiologiques similaires, nécessitant des outils diagnostiques avancés pour améliorer la précision.
Les progrès récents en intelligence artificielle (IA), notamment les modèles d’apprentissage profond comme les réseaux neuronaux convolutifs rapides basés sur les régions (Faster RCNN), offrent des solutions prometteuses pour l’analyse d’images médicales. Le Faster RCNN combine l’extraction de caractéristiques, la génération de propositions de régions et la classification dans un cadre unifié, permettant une détection d’objets efficace et précise. Cette étude utilise le Faster RCNN pour développer un modèle diagnostique capable de distinguer le CHCP du CHCC à l’aide d’images TDM préopératoires.
Méthodes
Collecte des données et sélection des patients
Cette étude rétrospective a inclus 62 patients atteints de CHCP et 1079 patients atteints de CHCC traités à l’hôpital Beijing YouAn entre juin 2012 et mai 2020. Les critères d’inclusion exigeaient une TDM multiphasique préopératoire avec injection de contraste et une confirmation histopathologique du CHCP ou du CHCC. Les critères d’exclusion incluaient des traitements antérieurs (embolisation artérielle hépatique, radiofréquence), des images TDM de mauvaise qualité et des lésions hépatiques multiples. Après exclusions, 42 patients CHCP et 109 CHCC ont été répartis aléatoirement en ensembles d’entraînement-validation et de test selon un ratio 4:1.
Protocole d’imagerie
Les scanners TDM abdominaux ont été réalisés avec un appareil GE64 Lightspeed VCT, paramètres standardisés : tension de 120 kV, modulation automatique du courant, collimation de 0,984 mm, champ de vue 36×36 cm, matrice 512×512, et épaisseur de coupe de 5 mm. L’iopromide (300 mgI/mL) a été injecté à 3,0 mL/s, suivi d’un rinçage par 30 mL de sérum physiologique. Les phases dynamiques incluaient les phases native, artérielle (déclenchée par Smart Prep), portale (retard de 65 s) et équilibre (retard de 180 s).
Annotation et segmentation des images
Deux radiologues (8 et 15 ans d’expérience) ont segmenté manuellement les régions d’intérêt (ROI) autour des tumeurs avec le logiciel labelImg. Les désaccords ont été résolus par consensus. Les variables cliniques (âge, sexe, statut viral, taux d’alpha-foetoprotéine) et radiologiques (taille, localisation, morphologie, rehaussement) ont été enregistrées. Le rehaussement classique du CHCC était défini par une hyperenhancement artériel suivi d’un lavage en phases portale/équilibre.
Développement du modèle Faster RCNN
L’architecture Faster RCNN a utilisé ResNet101 pour l’extraction de caractéristiques, choisi pour sa performance dans la détection de petites tumeurs (<2 cm). Le modèle a été entraîné sur 4 392 images TDM (1 032 CHCP ; 3 360 CHCC) provenant de 121 patients, avec un taux d’apprentissage de 0,001, un momentum de 0,9 et une décroissance de poids de 0,0005. L’entraînement a impliqué 10 000 itérations pour minimiser les fonctions de perte (classification et régression des boîtes englobantes).
Métriques d’évaluation
Les performances ont été testées sur 1 072 images (320 CHCP ; 752 CHCC) de 30 patients. Les métriques incluaient l’exactitude, la précision moyenne (AP), la précision moyenne moyenne (mAP) et le rappel. Les résultats ont été comparés à ceux de deux radiologues (15 et 20 ans d’expérience) lors d’une évaluation en double insu.
Résultats
Caractéristiques cliniques et radiologiques
Aucune différence significative n’a été observée entre les groupes CHCP et CHCC concernant l’âge, le sexe, le taux d’AFP, la taille tumorale ou la cirrhose. Cependant, le CHCP était associé à une prévalence plus élevée d’hépatite C (23,8 % vs 4,6 % ; P = 0,001) et de densité graisseuse intratumorale (21,4 % vs 2,8 % ; P = 0,001). Le rehaussement artériel classique et la pseudocapsule étaient plus fréquents dans le CHCP sans atteindre la significativité statistique.
Entraînement et validation du modèle
Lors de l’entraînement, le modèle a atteint une exactitude de 99 % avec une réduction de la perte de 0,8177 à 0,006. Les pertes de classification et de régression du RPN sont descendues à 0,0001 et 0,0005, respectivement. Les pertes finales de classification et de régression se sont stabilisées à 0,0019 et 0,0036.
Performances diagnostiques
Sur l’ensemble de test, le modèle a montré une exactitude globale de 0,962 (IC 95 % : 0,931–0,992). Pour le CHCP, l’AP était de 0,908 (IC 95 % : 0,823–0,993) avec un rappel de 0,951 (IC 95 % : 0,916–0,985). Pour le CHCC, l’AP était de 0,907 (IC 95 % : 0,823–0,993) avec un rappel de 0,960 (IC 95 % : 0,854–0,962). La mAP pour les deux classes était de 0,907 (IC 95 % : 0,861–0,953).
Comparaison avec les radiologues
Le modèle a surpassé les radiologues en rappel et précision. Pour le CHCP, les rappels des radiologues 1 et 2 étaient de 0,333 et 0,381 contre 0,951 pour le modèle. Les précisions pour le CHCP étaient de 0,636 et 0,640 pour les radiologues contre 0,908 pour le modèle. Le temps de diagnostic moyen était de 4 secondes par cas pour le modèle contre 120–150 secondes pour les radiologues.
Discussion
Cette étude démontre l’efficacité du Faster RCNN pour différencier le CHCP du CHCC sur les TDM préopératoires. La haute exactitude, précision et rappel soulignent son potentiel comme outil diagnostique complémentaire, notamment dans les cas ambigus. L’intégration de ResNet101 a permis une extraction robuste de caractéristiques, capturant des différences subtiles de rehaussement et de morphologie.
La supériorité du modèle par rapport aux radiologues met en lumière la valeur de l’IA pour réduire la variabilité diagnostique et accélérer les workflows. Les points forts incluent l’analyse holistique des données TDM multiphasiques, révélant des dynamiques temporelles potentièlement négligées lors de l’évaluation manuelle. La prévalence accrue d’hépatite C et de graisse intratumorale dans le CHCP corrobore les études antérieures.
Limites et perspectives
Les limites incluent la petite taille de l’échantillon CHCP (42 patients), reflétant la rareté du sous-type, et un design monocentrique pouvant induire un biais de sélection. La segmentation manuelle des ROI pourrait être automatisée pour améliorer la scalabilité.
Des études prospectives multicentriques avec des cohortes élargies sont nécessaires. L’ajout de modalités comme l’IRM et de biomarqueurs cliniques pourrait améliorer la précision. L’extension du modèle à d’autres lésions hépatiques représente une étape future logique.
Conclusion
Le modèle Faster RCNN développé ici offre une méthode rapide et fiable pour distinguer le CHCP du CHCC sur les TDM préopératoires. En atteignant une haute exactitude et efficacité, il répond à un défi clinique critique, facilitant une planification thérapeutique personnalisée. Les travaux futurs devront élargir les jeux de données et intégrer des données multimodales.