Dans le chapitre 1, nous avons montr´e certaines limites de la biopsie, notamment le fait que parfois des patients avec des tumeurs qui ont des caract´eristiques proches ne r´epondent pas de la mˆeme mani`ere `a un mˆeme traitement.
L’exemple cit´e des tumeurs triple n´egatives (TN) du sein est ici consid´er´e et nous ´etudions dans cette partie la possibilit´e de pr´edire si la patiente r´epondra ou non `a la chimioth´erapie n´eo-adjuvante (NAC).
Pour cette application, la segmentation des VOIs et l’extraction des caract´eristiques radiomiques r´egionales ont ´et´e effectu´ees par un coll`egue.
7.3.1 Mat´eriel et m´ethode 7.3.1.1 Cohorte
Les images de 77 patientes imag´ees avec le mˆeme scanner TEP/TDM (TEP-FDG Discovery 710 Elite - Scanner BrightSpeed Elite GE) et ayant une tumeur TN sont exploit´ees. Les images ont ´et´e reconstruites avec l’algorithme VPFXS et la taille des voxels est de 2.73x2.73x3.27 mm3.
La r´eponse `a la NAC est ´evalu´ee au moyen du score de charge r´esiduelle du cancer (Residual Cancer Burden score en anglais, RCB score) et notre cohorte est compos´ee de 41 pCR et 36 non pCR.
7.3.1.2 Analyse r´egionale
Les caract´eristiques radiomiques r´egionales ont d’abord ´et´e ´etudi´ees. Pour cela, 48 caract´eristiques ont ´et´e extraites de chacune des tumeurs avec le logiciel LIFEx.
Les voxels ont ´et´e r´e-´echantillonn´es spatialement afin qu’ils soient isocubiques de 2x2x2
mm3, puis les intensit´es ont ´et´e discr´etis´ees entre 0 et 40 SUV compte tenu de la valeur
maximale des SUV (41) en 128 bins.
La segmentation a ´et´e effectu´ee semi-automatiquement en utilisant un seuil sur le
SU Vmax ´egal `a 40% pour obtenir la VOI de la tumeur V OIT.
Chacune des m´ethodes cit´ees dans la suite est effectu´ee 100 fois en assignant de mani`ere al´eatoire les patients `a TRS et `a TES avec les r´epartitions suivantes : 56 patientes dans TRS (30 pCR et 26 npCR) et les 21 patientes restantes dans TES (11 pCR et 10 npCR). Pour chaque r´ep´etition, les patientes al´eatoirement assign´es `a TRS et `a TES sont les mˆemes pour toutes les m´ethodes.
Des analyses ROC univari´ees (§ 1.2.2.5) sont effectu´ees 100 fois pour chacune des caract´eristiques.
Ensuite, les 10 caract´eristiques conduisant aux meilleurs YI sur TRS sont utilis´ees pour effectuer des rLin `a 2 caract´eristiques.
Puis, nous avons utilis´e le jumeau num´erique comme d´ecrit dans le § 3.1.
Enfin, nous avons appliqu´e la m´ethode de d´ecimation (§ 5.2) pour le JDD des
V OIT afin de pr´edire l’AUC et le YI qu’il est possible d’atteindre avec plus de
patientes. Pour cela, le nombre de patientes varie entre 33 et 69 par pas de 9. 7.3.1.3 Analyse locale
La m´ethode d´evelopp´ee dans le chapitre 6 (§ 6.2.3) a ´et´e utilis´ee. Ainsi, nous avons calcul´e les cartes param´etriques pour chacune des 5 caract´eristiques et pour les 3 voisinages de voxels disponibles avec LIFEx. Pour cela, les intensit´es ont ´et´e discr´etis´ees comme pr´ec´edemment entre 0 et 40 SUV en 128 bins.
En plus des profils des voxels des V OIT, nous avons dilat´e les VOIs de 6 mm afin
d’obtenir une deuxi`eme VOI V OIT+P T incluant du tissu p´eri-tumoral.
Nous avons appliqu´e notre m´ethode bas´ee sur la PCA et le jumeau num´erique des CPs obtenues sur ces donn´ees, en utilisant les mˆemes effectifs pour TRS et TES que dans la partie pr´ec´edente.
Nous avons ´egalement appliqu´e la m´ethode de d´ecimation en utilisant les performances de l’analyse voxel en faisant varier le nombre de patientes entre 25 et 71 par pas de 4. 7.3.2 R´esultats
Pour les approches r´egionales bas´ees sur l’analyse ROC et rLin, les r´esultats sont pr´esent´es dans les tableaux 7.11 et 7.12.
Les AUC ne sont pas significativement diff´erentes entre les performances associ´ees `a la meilleure caract´eristique d’apr`es l’analyse ROC et celles de la meilleure combinaison rLin.
Les performances obtenues sur les 100 r´ep´etitions avec l’approche voxel pour V OIT
et V OIT+P T ainsi que celles obtenues avec les approches r´egionales sont pr´esent´ees
dans le tableau 7.13.
Pour l’analyse r´egionale, seule la caract´eristique extraite de V OIT maximisant YI sur
TRS et seule la combinaison maximisant YI sur TRS pour rLin sont pr´esent´es.
Les r´esultats pour le jumeau num´erique sur les profils de V OIT `a 2 et 3
Paramètre AUC TRS Y TRS Se TRS Sp TRS AUC TES Y TES Se TES Sp TES GLZLM_GLNU 0.65±0.04 0.39±0.05 0.97±0.03 0.42±0.05 0.68±0.08 0.35±0.16 0.93±0.09 0.42±0.13 SHAPE_Volume (mL) 0.66±0.04 0.36±0.06 0.88±0.04 0.47±0.06 0.66±0.08 0.31±0.17 0.85±0.11 0.46±0.14 SHAPE_Surface (mm2) 0.67±0.04 0.35±0.06 0.87±0.04 0.48±0.06 0.66±0.07 0.31±0.16 0.84±0.1 0.47±0.14 GLRLM_RLNU 0.65±0.04 0.34±0.06 0.84±0.06 0.5±0.08 0.66±0.07 0.31±0.16 0.81±0.12 0.49±0.15 SHAPE_Compacity 0.62±0.04 0.34±0.06 0.88±0.05 0.46±0.07 0.63±0.07 0.26±0.16 0.84±0.11 0.41±0.14 GLCM_Correlation 0.64±0.04 0.33±0.06 0.85±0.07 0.48±0.09 0.62±0.08 0.22±0.17 0.78±0.16 0.44±0.16 GLRLM_GLNU 0.66±0.04 0.32±0.04 0.92±0.12 0.4±0.13 0.61±0.06 0.19±0.15 0.84±0.2 0.35±0.15 GLZLM_LZHGE 0.64±0.04 0.3±0.05 0.83±0.15 0.47±0.16 0.63±0.08 0.23±0.18 0.77±0.24 0.46±0.17 GLZLM_LZLGE 0.61±0.04 0.3±0.07 0.78±0.13 0.52±0.12 0.62±0.07 0.2±0.19 0.73±0.2 0.47±0.17
Tableau 7.11 – Caract´eristiques maximisant YI sur TRS avec l’analyse ROC univari´ee de la cohorte de cancer du sein TN.
Paramètre AUC TRS Y TRS Se TRS Sp TRS AUC TES Y TES Se TES Sp TES GLCM_Correlation+ GLZLM_LZHGE 0.62±0.09 0.18±0.15 0.48±0.12 0.69±0.16 0.66±0.11 0.25±0.18 0.49±0.16 0.76±0.18 GLCM_Correlation+ SHAPE_Compacity 0.63±0.08 0.18±0.13 0.53±0.11 0.65±0.12 0.66±0.1 0.22±0.19 0.54±0.17 0.68±0.2 SHAPE_Surface(mm2 )+ GLRLM_RLNU 0.64±0.07 0.17±0.12 0.54±0.11 0.63±0.16 0.65±0.11 0.21±0.17 0.51±0.2 0.7±0.21 SHAPE_Sphericity+ GLCM_Correlation 0.62±0.09 0.17±0.13 0.5±0.11 0.67±0.17 0.66±0.11 0.22±0.18 0.48±0.17 0.74±0.21 GLZLM_GLNU+ GLCM_Correlation 0.62±0.08 0.17±0.14 0.52±0.11 0.65±0.13 0.66±0.11 0.22±0.19 0.56±0.17 0.66±0.21 GLCM_Correlation+ GLRLM_GLNU 0.61±0.1 0.16±0.15 0.5±0.11 0.66±0.17 0.65±0.12 0.22±0.18 0.5±0.19 0.72±0.21 SHAPE_Volume(mL)+ SHAPE_Surface 0.64±0.06 0.16±0.12 0.53±0.1 0.62±0.16 0.67±0.09 0.22±0.15 0.52±0.21 0.7±0.24 GLRLM_RLNU+ GLCM_Correlation 0.61±0.09 0.16±0.14 0.52±0.11 0.64±0.15 0.65±0.11 0.21±0.19 0.54±0.19 0.68±0.22 GLCM_Correlation+ GLZLM_LZLGE 0.61±0.1 0.16±0.15 0.47±0.12 0.69±0.14 0.65±0.12 0.23±0.17 0.5±0.17 0.73±0.18 SHAPE_Volume(mL)+ GLCM_Correlation 0.6±0.09 0.14±0.15 0.51±0.11 0.64±0.18 0.65±0.11 0.21±0.2 0.52±0.18 0.69±0.23
Tableau 7.12 – Performances obtenues avec les 10 meilleures combinaisons rLin (AA) de 2 caract´eristiques (meilleurs YI sur TRS) pour la cohorte de cancer du sein TN.
Approche Méthode AUC TRS Y TRS AUC TES Y TES Approche voxel (VOIT) 0.61±0.06 0.22±0.1 0.64±0.1 0.2±0.17 Approche voxel (VOI
T+PT) 0.57±0.05 0.17±0.08 0.6±0.11 0.1±0.19 Approche globale (VOIT) ROC (GLNU) 0.65±0.04 0.39±0.05 0.68±0.08 0.35±0.16 rLin 0.62±0.09 0.18±0.15 0.66±0.11 0.25±0.18 JN (2 paramètres) 0.62±0.04 0.25±0.07 0.63±0.07 -0.02±0.3 JN (3 paramètres) 0.68±0.04 0.35±0.08 0.57±0.05 0.01±0.17
Tableau 7.13 – Performances obtenues avec les diff´erentes approches d’AA pour la cohorte de cancer du sein TN.
Les performances des jumeaux num´eriques `a 2 ou 3 caract´eristiques sur TRS ne sont pas satisfaisantes puisque les AUC sont faibles. De plus, les YI chutent fortement entre TRS et TES, montrant la non pertinence du seuil d´etermin´e sur TRS. L’approche ROC reste donc la meilleure pour l’approche r´egionale.
Pour l’approche voxel, les AUC obtenues sur TES pour V OIT et V OIT+P ne sont
pas significativement diff´erentes. Puisqu’il n’y a pas d’apport `a utiliser plus de voxels, l’utilisation des profils de voxels extraits de V OIT est donc `a favoriser.
Les performances de l’approche voxel produisent des AUC semblables `a celles des autres m´ethodes. Concernant les YI, ceux de l’approche voxel sont significativement inf´erieurs `a ceux de l’analyse ROC univari´ee, non significativement diff´erents de ceux de rLin et ils sont significativement sup´erieurs `a ceux des jumeaux num´eriques. Ainsi, il est plus facile de trouver un seuil sur TRS qui reste pertinent sur TES avec l’approche voxel qu’avec le jumeau num´erique.
Les performances obtenues avec l’approche voxel sur TRS pour V OIT ´etant proches
de celles de TES, nous avons `a nouveau appliqu´e cette m´ethode sans utiliser d’ensemble de test afin d’avoir un TRS comportant plus de patients. Ceci est r´ep´et´e 100 fois en assignant al´eatoirement `a TRS tous les patients de la cohorte sauf 1 de chaque groupe. Les performances obtenues sont les suivantes : AUCT RS=0.71 ± 0.14 et YT RS=0.43 ±
0.21. Dans ce cas, les AUC ne sont toujours pas diff´erentes de celles de l’analyse ROC (seulement pour 8/100 r´ep´etitions).
Avec la m´ethode de d´ecimation, les pr´edictions de l’AUC et du YI pour les 9 m´ethodes de classifications et les caract´eristiques extraites des V OIT sont donn´ees dans le tableau
7.14.
Les AUC sont toutes proches de 0.50 et les YI sont tous proches de 0 sauf pour les cas avec une r´eduction de dimension bas´ee sur la PCA (avec LR et SVM). Ainsi, nous ne pouvons pas conclure `a la pr´esence d’information dans ces donn´ees `a partir des effectifs `a notre disposition. Méthode de classification AUC YI LR 0.51 -0.06 RFE-LR 0.51 -0.02 PCA-LR 0.50 0.23 ROC-LR 0.51 -0.10 SVM 0.49 -0.32 RFE-SVM 0.50 0.01 PCA-SVM 0.50 0.33 ROC-SVM 0.48 -0.32 LASSO 0.53 0.05
Tableau 7.14 – AUC et YI pr´edits par la m´ethode de d´ecimation pour le JDD de caract´eristiques locales extraites des V OIT de la cohorte de cancer du sein TN.
L’application de cette m´ethode de d´ecimation `a l’approche voxel montre qu’en utilisant le nombre de patient n´ecessaire Nc obtenu pour la pr´ediction du YI, l’AUC
pr´edite est de 0.74 et le YI pr´edit est de 0.61. 7.3.3 Discussion
Les performances obtenues avec l’approche r´egionale sont mod´er´ees puisque l’AUC est inf´erieure `a 0.70 et le YI est inf´erieur `a 0.50 sur TES, voir proche de 0 dans le cas du JN.
Les performances les plus ´elev´ees avec l’approche r´egionale sont obtenues en effectuant une analyse ROC avec la caract´eristique GLNU de la matrice GLZLM (matrice des longueurs des zones homog`enes) qui renseigne sur la non uniformit´e des niveaux de gris dans les zones homog`enes. Il faut cependant prendre en compte le fait que puisque la cohorte est de faible effectif, les YI sont surestim´es avec cette m´ethode.
L’utilisation de l’approche bas´ee sur les profils des voxels permet d’obtenir des r´esultats significativement diff´erents pour le Youden bien que l’AUC ne le soit pas.
Contrairement `a nos attentes, les profils de voxels extraits de V OIT+P T ne donnent
pas de meilleures r´esultats qu’avec V OIT. Cela peut s’expliquer par le fait que dans le
cas de V OIT, la prise en compte du voisinage de la tumeur est implicite dans le calcul
des caract´eristiques de texture. En effet, lorsque les valeurs des caract´eristiques sont calcul´ees pour un voxel au bord du volume, le voisinage externe `a la VOI est prise en compte lors du calcul. Ainsi, pour V OIT, les valeurs de caract´eristiques des voxels
p´eriph´eriques contiennent de l’information li´ee `a la zone p´eri-tumorale. La baisse des performances pour les profils de voxels de V OIT+P T s’expliquerait donc par le fait que
prendre en compte une trop grande zone autour de V OIT noie l’information de la zone
p´eri-tumorale ou encore qu’il n’y a pas d’informations pertinentes dans cette zone lorsqu’elle est extraite de cette mani`ere.
La m´ethode de d´ecimation appliqu´ee aux profils extraits des tumeurs ne conclue pas `a la pr´esence d’information puisque la majorit´e des pr´edictions sont proches voir inf´erieures `a une AUC de 0.50 ou un YI de 0.
Il semble n´eanmoins que de l’information existe puisque l’approche voxel appliqu´ee sans TRS donne une AUC de 0.71 ± 0.14 et un YI de 0.43 ± 0.21. De plus, la m´ethode de d´ecimation appliqu´ee aux donn´ees locales extraites des voxels conduit `a une AUC de 0.74 et un YI de 0.61.
Cela peut sembler contradictoire, mais peut s’expliquer par le fait que dans certains cas, le nombre minimum de patients n´ecessaires pour commencer `a obtenir un signal de pr´edictivit´e d´etectable avec notre m´ethode sur les caract´eristiques r´egionales soit sup´erieur `a 80.
Cette faible puissance statistique de ce type de donn´ee pour la tˆache consid´er´ee expliquerait pourquoi il n’y a aucun article qui conclut `a la possibilit´e de classer les patientes r´epondeuses de celles non-r´epondeuses `a partir de donn´ees extraites d’images TEP/TDM de r´ef´erence, avant tout traitement.
En effet, nous n’avons pas trouv´e d’article utilisant des donn´ees TEP/TDM acquises avant le traitement et ayant pour but de classer binairement les patientes selon leur r´eponse `a la chimioth´erapie n´eoadjuvante. N´eanmoins, certains articles ([Groheux et al., 2014], [Groheux et al., 2015] et [Groheux et al., 2016]) ´etudient les caract´eristiques de mani`ere univari´ee et concluent `a des diff´erences statistiques entre les patientes r´epondeuses et les patientes non r´epondeuses avec respectivement 30 patientes (19 r´epondeuses et 31 non r´epondeuses), 74 patientes (23 r´epondeuses et 51 non r´epondeuses) et 78 patientes (49 r´epondeuses et 29 non r´epondeuses). Dans ces 3 articles, les auteurs trouvent que la valeur de SUVmax avant le d´ebut du traitement est
associ´ee `a la r´eponse `a la chimioth´erapie n´eoadjuvante en effectuant un test des rangs sign´es de Wilcoxon. N´eanmoins, nous ne retrouvons pas la mˆeme chose sur nos donn´ees (valeur de p du test >0.05).
De plus, les articles de [Basnet et al., 2020] et [Kiyoto et al., 2016] concluent l’inverse de [Groheux et al., 2014], [Groheux et al., 2015] et [Groheux et al., 2016] avec des cohortes de respectivement 30 (18 r´epondeuses et 12 non-r´epondeuses) et 32 patientes (25 non-r´epondeuses et 7 r´epondeuses).
La diff´erence de conclusion entre [Groheux et al., 2014], [Groheux et al., 2015] et [Groheux et al., 2016] et [Basnet et al., 2020] peut s’expliquer par le fait que le crit`ere de r´eponse n’est pas le mˆeme. En effet, pour [Groheux et al., 2014], [Groheux et al., 2015] et [Groheux et al., 2016] la tumeur r´epond s’il n’y a plus de r´esidu invasif de cancer dans les tissus mammaires ou dans les ganglions lymphatiques et pour [Basnet et al., 2020], la tumeur r´epond si le plus grand diam`etre a diminu´e d’au moins 50%. Cependant, [Groheux et al., 2014], [Groheux et al., 2015] et [Groheux et al., 2016] utilisent le mˆeme crit`ere que [Kiyoto et al., 2016].
Nous notons tout de mˆeme que nos r´esultats par analyse ROC univari´ee sont plus faibles que ceux de [Basnet et al., 2020]. En plus de l’utilisation de crit`eres diff´erents pour classer la tumeur comme r´epondeuse, nous avons des effectifs diff´erents (notre cohorte est plus grande). Or, d’apr`es notre ´etude du chapitre 5 (§ 5.1.2.1), les performances pr´edites sur le set d’apprentissage sont surestim´ees sur des faibles effectifs. Ainsi, avec plus de patients, les auteurs auraient peut-ˆetre eu des performances plus faibles.
Il est important de noter que les articles ([Groheux et al., 2014],
[Groheux et al., 2016], [Basnet et al., 2020] et [Kiyoto et al., 2016]) comparant la variation relative de caract´eristiques entre celles extraites avant tout traitement et celles extraites apr`es un certain nombre de cures de chimioth´erapie, concluent `a l’am´elioration de la discrimination des 2 types de tumeurs en utilisant ces variations relatives des caract´eristiques.
Nous n’avons toutefois pas pu v´erifier ces r´esultats sur notre cohorte puisque nous n’avons pas d’images TEP/TDM de suivi.
Dans ce chapitre, nous avons pr´esent´e trois cohortes de patients pour lesquels nous avons utilis´e diff´erentes techniques d´evelopp´ees au cours de nos travaux dans le but d’exploiter les caract´eristiques radiomiques `a disposition. Bien que la n´ecessit´e d’agrandir ces jeux de donn´ees soit une des conclusions tir´ees de chacune des ´etudes, nous avons tout de mˆeme pu obtenir des r´esultats int´eressants. En effet, dans le cas des endocardites, il semble que le SUVmax soit une caract´eristique tr`es importante pour diagnostiquer les
endocardites. Pour les cancers du poumon, la caract´eristique corr´elation semble jouer un rˆole important dans la classification des tumeurs selon leur type. Enfin, pour la pr´ediction de la r´eponse `a la chimioth´erapie n´eoadjuvante chez les patientes atteintes de cancers du sein triple n´egatif, il semble que l’approche voxel extrait plus d’information pour d´evelopper des mod`eles que l’approche r´egionale.
Les d´ecisions concernant la s´election du traitement le plus adapt´e aux caract´eristiques de la tumeur pour les patients atteints de cancer n’a jamais ´et´e aussi pr´ecise et individualis´ee qu’elle ne l’est actuellement. Ces d´ecisions sont parfois en partie bas´ees sur des biomarqueurs issus des examens d’imagerie. N´eanmoins, aucun de ces biomarqueurs ne sont des caract´eristiques de texture, ainsi les images `a disposition ne semblent pas totalement exploit´ees.
De plus en plus d’articles portent sur l’utilisation de l’analyse de texture des images m´edicales qui sont acquises dans le cadre de la prise en charge des patients. Cependant, les articles qui s’int´eressent au d´eveloppement de mod`ele pour classer les patients selon un crit`ere, ne le font que rarement en utilisant des donn´ees externes pour le tester. Une des raisons r´eside dans la difficult´e d’obtenir une cohorte de patients avec un effectif suffisant.
´Etant confront´es `a cette situation de faible effectif, nous avons cherch´e `a concevoir une m´ethode pour tester la pr´esence ou non d’information dans nos donn´ees afin de d´eterminer s’il suffit d’augmenter l’effectif de la cohorte ou s’il faut consid´erer d’autres types de donn´ees pour la tˆache de classification ´etudi´ee.
Pour cela, nous avons d’abord utilis´e une m´ethode regroupant les donn´ees similaires entre elles et de les visualiser : les cartes de chaleur. L’´etude des groupes form´es et repr´esent´es sur ces cartes a permis de mettre en ´evidence l’existence de caract´eristiques communes `a certains profils de tumeurs. La m´ethode ensuite d´evelopp´ee `a partir des cartes de chaleur n’a cependant pas permis de classer les patients en 2 classes selon un crit`ere et n’´etait parfois pas applicable `a cause du manque de diff´erence entre les profils de chacun des 2 classes.
Nous avons ensuite consid´er´e des m´ethodes d’apprentissage automatique pour d´evelopper des mod`eles. Nous avons compar´e l’utilisation de la validation-crois´ee `a la s´eparation de l’ensemble de donn´ee en deux pour d´evelopper le mod`ele. Cela nous a permis de d´eterminer la technique `a favoriser pour la suite de notre ´etude. Ensuite, l’´etude des performances des mod`eles d´evelopp´es en fonction des effectifs utilis´es nous a permis de d´eterminer des tendances qui nous ont amen´es `a proposer une m´ethode pour
d´eduire les performances qui peuvent ˆetre atteintes lorsque la cohorte est compos´ee d’un grand nombre de patients. Celle-ci r´epond `a la question de la pr´esence ou non d’information et la quantifie.
Nous nous sommes ensuite int´eress´e au cas o`u il s’av`ere que les donn´ees contiennent de l’information, mais que la taille de la cohorte est faible. Dans ce cas, nous avons propos´e d’utiliser la radiomique `a l’´echelle du voxel, au lieu de l’´echelle de la tumeur. Ainsi, pour chaque patient au lieu d’avoir un unique profil radiomique, nous en obtenons autant qu’il y a de voxels dans le volume de la tumeur ce qui augmente fortement le nombre d’´echantillons dans le jeu de donn´ee. Pour traiter ces donn´ees et en d´eduire un mod`ele, nous avons test´e diff´erentes m´ethodes. Nous avons abouti `a une m´ethode utilisant une analyse en composantes principales pour chaque patient afin de d´ecrire tous les profils de voxels par un nombre r´eduit de composantes principales. Ces composantes principales sont ensuite compar´ees aux composantes d´etermin´ees sur la cohorte d’apprentissage pour en d´eduire le statut de la tumeur.
Enfin, nous avons pr´esent´e diff´erents cas d’usage ´etudi´es pendant notre th`ese. Ce travail de th`ese ouvre plusieurs perspectives.
La premi`ere concerne les situations pour lesquelles la m´ethode de d´ecimation ne permet pas de statuer, lorsque le nombre de patients est inf´erieur `a 80 (40 pour chaque statut) ou dans le cas o`u le signal d’information est tr`es faible. Pour ces situations, d´evelopper une m´ethode bas´ee sur la LOOCV pourrait ˆetre une solution. Pour le savoir, il faudrait r´ealiser la mˆeme ´etude qu’au chapitre 5, mais en rempla¸cant la validation-crois´ee `a K blocs par la LOOCV.
A terme, la radiomique pourrait ˆetre incluse en routine clinique afin de fournir aux m´edecins des informations compl´ementaires `a celles d´ej`a disponibles. Pour cela, il faudrait bien sˆur d´evelopper rigoureusement les mod`eles `a partir de tr`es grandes cohortes et tester ces mod`eles sur des cohortes externes. Mais il faudrait faire preuve de transparence quant aux mod`eles. Une ´equipe a propos´e un compte-rendu [Collins et al., 2015] des ´el´ements `a faire figurer dans les publications pour que le lecteur ait tous les ´el´ements n´ecessaires pour la comprendre et ainsi avoir un regard
critique. Ces ´el´ements incluent la r´epartition des patients et leurs
caract´eristiques cliniques, les crit`eres et conditions de recrutements, le type de m´ethode utilis´ee pour d´evelopper le mod`ele et le mod`ele final. N´eanmoins, cette liste n’inclut pas d’informations sur la provenance des diff´erents ensembles (images acquises sur les mˆemes imageurs et/ou dans les mˆemes centres) ou encore sur les traitements