Analyse statistique de données radiomiques et métabolomiques : prédiction des lésions mammaires triple-négatives

Introduction La caracterisation de l’heterogeneite tumorale a partir des images medicales (appelee aussi radiomique) et de l’extraction de donnees omiques est un enjeu majeur en cancerologie, notamment dans la mise en place de la medecine de precision. Or actuellement, le lien entre les variables radiomiques (VR) et les caracteristiques biologiques des lesions est encore mal connu. L’objectif de ce travail est d’etudier la correlation entre les VR et les variables metabolomiques (VM) dans le cancer du sein, et d’analyser leur capacite a predire le sous-type immunohistochimique des lesions. Methodes Au total, 26 patientes porteuses d’un cancer mammaire ont ete incluses dans cette etude. Chaque patiente a beneficie d’un examen de tomographie par emission de positons (TEP). Quarante-trois VR issues des images TEP ont ete calculees dans la zone tumorale. A partir de la piece operatoire, nous avons utilise un spectrometre de masse pour mesurer l’expression de 1500 VM referencees dans la base de donnees « Human metabolome ». Les coefficients de correlation de Spearman (R) entre chaque VR et chaque VM ont ete analyses. Nous avons egalement etudie separement la capacite des VR et VM pour identifier les lesions mammaires triple-negatives (TN), en comparant cinq methodes statistiques : l’analyse discriminante lineaire (LDA), l’analyse discriminante des moindres carres partiels (PLSDA), l’analyse discriminante des structures latentes par projections orthogonales (OPLS), l’analyse discriminante en grande dimension (HDDA, Bouveyron et al., 2007) et l’analyse HDDA globalement parcimonieuse (gsHDDA, Bouveyron et al., 2016). Cette procedure a ete repetee 25 fois avec une selection aleatoire de 16 patientes pour l’apprentissage et de 10 patientes pour la validation. Les performances de chaque methode ont ete mesurees en utilisant l’index de Youden (sensibilite + specificite – 1). Resultats Sept lesions sur 26 sont TN. Le coefficient de correlation moyen, en valeur absolue, entre les VR et VM est egal a 0,20 ± 0,14 (intervalle : [0–0,81], 3 % avec |R| ≥ 0,50). Seulement 20 VR sont moderement correles avec au moins 50 VM (|R| ≥ 0,50). En utilisant les differentes methodes statistiques, l’index de Youden moyen varie entre 0,18 et 0,34 a partir des VM et entre −0,12 et 0,50 pour les VR. Les meilleures performances pour la distinction des lesions TN sont obtenues pour HDDA (Youden = 0,50 ± 0,35) et gsHDDA (Youden = 0,49 ± 0,34) a partir des VR. L’un des avantages de gsHDDA est que le modele statistique est construit a partir d’un sous-ensemble de variables selectionnees. L’etude de ces variables a montre une correlation moderee (|R| = 0,21 ± 0,15, intervalle : [0–0,71]) entre les 10 VR et les 601 VM selectionnees (variables selectionnees par gsHDDA dans au moins 50 % des tests), ce qui suggere que la combinaison des deux sources d’information pourrait ameliorer les performances d’identification des lesions TN. Conclusion Dans le cancer du sein, nous avons montre une correlation faible a moderee entre les VR et les VM. Cependant, les deux types de donnees permettent une identification des lesions TN avec des performances voisines. Le recrutement de patientes supplementaires est en cours pour confirmer ces resultats. L’analyse conjointe des VR et VM est a l’etude afin de beneficier de la complementarite des informations radiomiques et metabolomiques et ainsi d’ameliorer les performances de classification.