Association des sous-types génomiques des gliomes de faible grade avec les caractéristiques de forme extraites automatiquement par un algorithme d'apprentissage profond

Une analyse récente a identifié des sous-types génomiques distincts de tumeurs de gliomes de bas grade associés à des caractéristiques morphologiques. Dans cette étude, nous proposons une méthode entièrement automatique pour quantifier les caractéristiques d'imagerie tumorale en utilisant un segmentateur basé sur l'apprentissage profond et nous testons si ces caractéristiques sont prédictives des sous-types génomiques des tumeurs. Nous avons utilisé des données d'imagerie préopératoire et génomiques de 110 patients provenant de 5 institutions, tous atteints de gliomes de bas grade issues du Cancer Genome Atlas (The Cancer Genome Atlas).Sur la base des segmentations automatiques réalisées par apprentissage profond, nous avons extrait trois caractéristiques qui quantifient les propriétés bidimensionnelles et tridimensionnelles des tumeurs. Les données génomiques pour le cohort analysé comprenaient des clusters génomiques précédemment identifiés selon la mutation IDH et la co-délétion 1p/19q, la méthylation de l'ADN, l'expression des gènes, le nombre de copies d'ADN et l'expression des microARN.Pour analyser la relation entre les caractéristiques d'imagerie et les clusters génomiques, nous avons effectué un test exact de Fisher pour 10 hypothèses pour chaque paire de caractéristique d'imagerie et sous-type génomique. Afin de tenir compte du test multiple d'hypothèses, nous avons appliqué une correction Bonferroni. Les valeurs p inférieures à 0,005 ont été considérées comme statistiquement significatives. Nous avons trouvé une association forte entre les clusters RNASeq et le rapport du volume de l'ellipsoïde englobant ($p<0{,}0002$) ainsi qu'entre les clusters RNASeq et la fluctuation du contour ($p<0{,}005$). De plus, nous avons identifié des associations entre le rapport du volume de l'ellipsoïde englobant et tous les sous-types moléculaires testés ($p<0{,}02$), ainsi qu'entre l'écart type angulaire et le cluster RNASeq ($p<0{,}02$).En ce qui concerne la segmentation tumorale automatique utilisée pour générer les caractéristiques d'image quantitatives, notre algorithme d'apprentissage profond a obtenu un coefficient Dice moyen de 82 %, ce qui est comparable aux performances humaines.