Les approches prédictives pour l’AVC

État de l’art

De nombreuses approches prédictives ont été proposées au cours des dix dernières années.

Nous ne nous intéresserons ici qu’aux approches voxel à voxel c’est-à-dire prédisant le devenir des tissus pour chaque voxel. Les approches prédisant directement le volume de lésion final à partir de volumes de perfusion, de diffusion et des données cliniques ne sont donc pas considérées ici. En agrégeant les données, ces approches volumiques ne permettent qu’une modélisation grossière et sont par construction limitées : il est impossible d’exploiter l’information spatiale ou même de tenir compte des interactions entre paramètres IRM.

Les principaux travaux prédictifs sont reportés dans le tableauII.4et peuvent être divisés en 3 catégories. Lesméthodes de reconnaissance de groupes non supervisée qui analysent l’hétérogénéité des valeurs de paramètres IRM pour former des groupes de voxels (sains, à risque, nécrosés). Cette approche, développée par exemple dans les articles deCaranoet al., 2000, et deShenet al.,2008a, utilise uniquement les données d’IRM mesurées à l’admission du patient.

Elle n’est donc pas affectée par les erreurs ou approximations faites lors de la délimitation de la lésion finale. Des méthodes d’analyse d’images ont aussi été proposées. L’article de Rosso et al., 2009, propose une méthode de croissance de région qui mime l’expansion

été développée pour des contextes où l’on ne dispose que des données en diffusion. Or, même si le terme d’homogénéité peut être adapté au cas multiparamétrique, sa définition est délicate puisqu’elle implique de fixer un certain nombre de paramètres. Une méthode alternative a été proposée dans l’article de Scalzo et al., 2012, pour exploiter l’aspect régional de l’AVC. Il s’agit non plus de considérer chaque voxel mais plutôt sa région sous forme d’un cube. Chaque cube est réorienté pour être comparable aux autres, puis un classificateur est entraîné sur un échantillon du jeu de données à repérer les cubes qui vont évoluer vers la nécrose. Pour cela, une régression spectrale à noyau (Cai et al., 2007) est utilisée. La régression spectrale permet d’imposer des prédictions similaires à des voxels proches et l’utilisation d’un noyau permet d’améliorer la capacité discriminante de la régression. Cette approche contient plusieurs idées intéressantes : prise en compte de l’information régionale, devenir similaire entre voxels proches et non-linéarité des risques. Cependant elle n’a pour le moment été proposée que dans un cadre univarié.

Enfin, la majorité des travaux utilisent des méthodes d’apprentissage supervisé avec principalement le modèle de régression logistique (Wu et al., 2006) et ses extensions (Wu et al., 2004;Nguyenet al., 2008;Kidwellet al., 2013) ainsi que des méthodes d’apprentissage automatique. Ces méthodes plus complexes et plus coûteuses numériquement permettent une utilisation plus souple des variables prédictives, supposées indépendantes et d’effet linéaire en régression. Ainsi les réseaux de neurones (Bagher-Ebadian et al., 2011; Huang et al., 2010) et les machines à vecteurs de support (Huanget al., 2011) ont montré des performances intéressantes. Cependant, la seule étude comparative disponible pour le moment n’a pas montré de supériorité de ces méthodes vis-à-vis de la régression logistique (Bouts et al.,2013). Cette étude a été réalisée sur des données animales et l’extrapolation de ces résultats chez l’homme n’a rien d’évident (Casals et al., 2011). Enfin, une seule étude s’est intéressée à la prise en compte de la variabilité inter-patients dans l’approche prédictive (Kidwell et al., 2013). La méthodologie statistique utilisée n’est toutefois pas complètement claire : un modèle mixte a été ajusté mais les auteurs ne précisent pas comment les prédictions étaient calculées à partir de ce modèle (probablement à l’aide du modèle marginal).

Objectifs

Nous nous proposons de clarifier l’apport des différents modèles prédictifs proposés dans la littérature en comparant leurs performances prédictives. Le modèle logistique sera pris comme modèle de référence.

DonnéesParamètresIRM (pré-traitement)

Méthode(s)évaluée(s)Résultat(s) Méthodesdereconnaissancedegroupesnonsupervisée etal.,200021ratsDWI,FA,T2,PD,CBFMéthodedesKmoyennes(KM) MéthodedesCmoyennesfloues(FCM)

KM>FCM %BC=95.9% ρ(V, V)=0,97 al.,200545patientsADC,T2 (lissagenon-linéaire)

ISODATAρ(V,V)=0,70 etal.,2008a36ratsADC,CBFISODATA,fréquencespatialedenécroseAUC≈0,9 Méthodesd’analysed’images etal.,200998patientsADCModèledecroissancederégionρ(V, V)=0,83 etal.,201225patientsADCorTMAXRégressionspectrale(SR-KDA) Régressionlinéaire(LIN)

SR-KDA>LIN AUC≈0,909 Méthodesd’apprentissagesupervisé et12patientsDWI,T2,PD,T1 (lissage,normalisation)

ANN(sigmoïde,2couches,6neurones)AUCde0,89 etal.,201319ratsT2,ADC,CBF,MTT,TMAX (normalisation)

LR,GAM(cubicsplineregression), SVM(Laplace,C=1,2,σ=0,39), ADA(profondeur=2,arbres=125), RF(try=1,arbres=200) non-inférioritédeLR AUC∈[0,8;1] AUPRC∈[0,4;0,8]

upetal.,200514patientsADC,DWI,T2, CBF,CBV,MTT (normalisation) Kplusprochesvoisins (avecdifférentesdistances)

AUC=0,814±0,001 etal.,201136ratsADC,CBF +informationspatiale

ANN(sigmoïde,1couche,6neurones) SVM(Gaussien,Cetσoptimisés)

SVM>ANN AUC=0,88±0,028 welletal.,201366patientsADC,TMAX,MTT,CBF, CBV(normalisation)

MLR%BC=0,71(AUC=0,76) critèredereperfusion etal.,200874patientsT2,ADC,DWI, CBV,CBF,MTT (normalisation)

LR,SARSAR>LR AUC=0,79 etal.,200194patientsT2,ADC,DWI, CBF,CBV,MTT (normalisation)

LR,seuillageLR≈seuillage etal.,200412patientsT2,ADC,DWI, CBF,CBV,MTT,TMAX (normalisation)

LRstratifiésurletypedetissu LR

LRstratifié>LR etal.,200638patientsT2,ADC,DWI, CBF,CBV,MTT,TMAX

LRAUC=0,9 | V−V|=37±35mL rt-PA↓performances TableII.4–Synthèsedesapprochesprédictivesvoxelàvoxelproposéesdanslalittérature.Lesindicesutiliséspourévaluerces approchessontreportésdansletableauII.2. FA:anisotropiedugradientendiffusion;PD:Densitéprotonique;SAR:modèlespatialautoregressif;ISODATA:méthodedesK moyennesmodifiée.

Étant donné la multitude d’approches proposées, une étude comparative complète n’était pas réalisable. Nous nous sommes donc concentrés sur les méthodes d’apprentissage supervisé puisqu’elles montraient les performances les plus prometteuses. Le filtrage des données ainsi que la prise en compte de l’information spatiale et morphologique ayant été suggérés bénéfiques, nous évaluerons aussi leur incidence sur les performances du modèle. L’étude se déroulera en trois temps :

– Évaluation de l’intérêt des méthodes d’apprentissage automatique : ces méthodes étant très coûteuses en temps de calcul, une étude préliminaire permettra de ne retenir que la plus prometteuse.

– Améliorations du modèle logistique standard :en considérant le modèle logistique de Wu et al., 2006, comme un modèle de référence, nous évaluerons l’impact des choix de modélisation, de variables prédictives et de filtrage des données.

– Intérêt clinique de la modélisation prédictive : à partir de l’approche prédictive retenue, nous montrerons comment les modèles prédictifs peuvent être utilisés pour (i) évaluer l’effet d’un traitement et (ii) former des critères d’éligibilité au traitement.

Avant de détailler l’étude effectuée, nous présentons dans la section suivante les traitements qui ont été utilisés pour rendre exploitable les images issues de l’IRM.