Exosomal bio-ingénierie
Aug 25, 2023La reprogrammation métabolique des macrophages pro-inflammatoires par l'acide roburique délivré par la cible améliore efficacement les symptômes de la polyarthrite rhumatoïde
Aug 20, 2023Récepteur pour fin de glycation avancée
Aug 04, 2023Fabrication de membrane de dialyse à partir de coton Giza 86 cellulose di
Jul 30, 2023Symptômes du cancer du rein : signes avant-coureurs et plus encore
Jul 19, 2023Intelligence artificielle
Recherche médicale militaire volume 10, Numéro d'article : 22 (2023) Citer cet article
2095 Accès
1 Citation
3 Altmétrique
Détails des métriques
La médecine moderne s'appuie sur diverses technologies d'imagerie médicale pour observer de manière non invasive l'anatomie des patients. Cependant, l’interprétation des images médicales peut être très subjective et dépendre de l’expertise des cliniciens. De plus, certaines informations quantitatives potentiellement utiles contenues dans les images médicales, notamment celles qui ne sont pas visibles à l’œil nu, sont souvent ignorées lors de la pratique clinique. En revanche, la radiomique effectue une extraction de caractéristiques à haut débit à partir d’images médicales, ce qui permet une analyse quantitative des images médicales et la prédiction de divers paramètres cliniques. Des études ont rapporté que la radiomique présente des performances prometteuses en matière de diagnostic et de prévision des réponses au traitement et du pronostic, démontrant ainsi son potentiel en tant qu'outil auxiliaire non invasif pour la médecine personnalisée. Cependant, la radiomique reste en phase de développement car de nombreux défis techniques doivent encore être résolus, notamment en matière d'ingénierie des caractéristiques et de modélisation statistique. Dans cette revue, nous présentons l'utilité actuelle de la radiomique en résumant la recherche sur son application dans le diagnostic, le pronostic et la prédiction des réponses au traitement chez les patients atteints de cancer. Nous nous concentrons sur les approches d'apprentissage automatique, pour l'extraction et la sélection de fonctionnalités lors de l'ingénierie de fonctionnalités et pour les ensembles de données déséquilibrés et la fusion multimodale lors de la modélisation statistique. De plus, nous introduisons la stabilité, la reproductibilité et l'interprétabilité des caractéristiques, ainsi que la généralisabilité et l'interprétabilité des modèles. Enfin, nous proposons des solutions possibles aux défis actuels de la recherche en radiomique.
Le cancer est une maladie dévastatrice qui touche de nombreuses personnes dans le monde [1]. Les tumeurs cancéreuses commencent par un petit amas de cellules néoplasiques qui peuvent être situées au sein d'un réseau complexe de tissus et d'organes internes, ce qui rend difficile le diagnostic de tels cancers (par exemple, le carcinome nasopharyngé) à un stade précoce [2]. De plus, les cancers du même type et du même stade peuvent se comporter de manière remarquablement différente selon les patients, il est donc essentiel que des méthodes soient disponibles pour surveiller la croissance tumorale, pour aider les cliniciens à prescrire un traitement anticancéreux et pour évaluer les réponses au traitement chez chaque patient. 3].
À cet égard, l'imagerie médicale, telle que la tomodensitométrie (CT), l'imagerie par résonance magnétique (IRM), la tomographie par émission de positons (TEP) et l'échographie (US), est indispensable pour détecter la présence et surveiller la croissance du cancer, et évaluer réponses au traitement. Différentes modalités d'imagerie capturent différentes propriétés des organes internes. Par exemple, la tomodensitométrie détecte des modifications anatomiques dans les organes, telles que des calcifications artérielles [4] ; L'IRM visualise le contraste des tissus mous et du système musculo-squelettique [5] ; et la TEP capture les changements fonctionnels et métaboliques dans les tissus ou les organes [6]. Les agents de contraste sont souvent utilisés pour améliorer la visualisation du contraste entre les intensités des signaux dans les images de tissus normaux et anormaux (tels que les tumeurs). Néanmoins, le jugement clinique basé sur l'inspection visuelle sans aide des images peut nécessiter beaucoup de ressources, dépend de l'expérience des médecins et peut ne pas détecter toutes les informations contenues dans le volume tridimensionnel (3D) d'une tumeur.
La radiomique est récemment apparue comme une solution prometteuse à ces problèmes, car elle implique une extraction et une analyse à haut débit de caractéristiques quantitatives de grande dimension à partir d'images médicales multimodales [7], ce qui lui permet de capturer de manière non invasive l'hétérogénéité intratumorale [8]. . Les études basées sur la radiomique comprennent les six étapes suivantes : acquisition d'images, prétraitement d'images, segmentation d'images, extraction de caractéristiques, sélection de caractéristiques, construction et évaluation de modèles [9]. Les étapes clés sont celles impliquées dans l'ingénierie des caractéristiques (c'est-à-dire l'extraction et la sélection des caractéristiques) et la modélisation statistique (c'est-à-dire la construction et l'évaluation du modèle) et sont actuellement au centre des efforts de la plupart des chercheurs. De plus, des progrès notables dans l’ingénierie des fonctionnalités et la modélisation statistique ont été réalisés ces dernières années. Par exemple, on sait maintenant que les caractéristiques radiomiques sont corrélées au diagnostic et au pronostic des tumeurs. Les chercheurs ont donc utilisé la méthode de pertinence maximale de redondance minimale (mRMR), l'opérateur de retrait et de sélection le moins absolu (LASSO) et d'autres technologies pour sélectionner les caractéristiques radiomiques prédictives. . Ils ont également utilisé des classificateurs tels que la machine à vecteurs de support (SVM) et la forêt aléatoire (RF) pour construire des modèles basés sur la radiomique. De nombreuses études ont également construit des modèles basés sur la radiomique pour, par exemple, faciliter le diagnostic du cancer, le pronostic et la prédiction des réponses au traitement. Ces modèles ont démontré la possibilité de développer une stratification des risques et un traitement personnalisé pour les patients, ce qui pourrait conduire à la réalisation d'une médecine de précision. Cependant, malgré ces progrès en radiomique, plusieurs problèmes clés restent à résoudre.