P32 - AUTORECIST : utilisation de l'intelligence artificielle pour prédire la réponse RECIST

Abstract

RECIST version 1.1 (« Response Evaluation Criteria In Solid Tumors ») est le référentiel international d'évaluation de l'efficacité des traitements des tumeurs solides, utilisé dans les études cliniques. RECIST compare la taille des cibles tumorales à plusieurs moments de la maladie. Les réponses possibles sont CR (Réponse complète), PR (Réponse partielle), PD (Progression) ou SD (Maladie stable). La détection de PD est importante, cliniquement afin de mettre en œuvre un nouveau traitement, et statistiquement afin de calculer la survie sans récidive ou sans progression. Plus de 90% des patients n’étant pas inclus dans des essais cliniques, il est difficile d’évaluer la réponse au traitement de façon simple, précise et exhaustive. Nous avons étudié plusieurs méthodes de « natural language processing » (NLP) afin d’évaluer la meilleure méthode et l'appliquer globalement à nos comptes rendus d'imagerie. Au Centre Antoine Lacassagne (CAL), la base EVA contient l'intégralité des patients suivis en recherche clinique avec évaluation RECIST. Nous en avons extraits 2901 conclusions de comptes-rendus d'imagerie (CRI), associés à leurs interprétations effectuées par des radiologistes, répartis comme suit : PD : 440 CRI, CR : 624 CRI, PR : 889 CRI, SD : 948 CRI. Trois méthodes de NLP ont été testées en utilisant python afin de traduire automatiquement la réponse RECIST à partir des CR. Toutes les cohortes d'entrainement représentaient 70 % des CRI et les cohortes de validation 30 %. Méthode 1 : « TensorFlow » (TF), développé par Google et sous licence libre qui permet d'entrainer et d'exécuter des réseaux de neurones récurrents. Méthode 2 : GZip, qui utilise les propriétés de compression de l'algorithme pour repérer les motifs récurrents dans les comptes rendus. Méthode 3 : Camembert, qui permet d'utiliser un transformer spécifiquement pré-entrainé en français à partir de BERT (« Bidirectional Encoder Representations from Transformers »). Gzip donne des résultats suivants : 79 % de précision pour PD, 74 % pour CR, 71 % pour PR et 75 % pour SD. TF donne les résultats suivants : 83 % de précision pour PD, 80 % pour CR, 90 % pour PR et 73 % pour SD. Camembert donne les résultats suivants : 96 % de précision pour PD, 93 % pour CR, 96 % pour PR et 97 % pour SD. La comparaison des trois méthodes permet de sélectionner la meilleure approche qui est l'algorithme Camembert. D'autres méthodes qui utilisent des logiciels propriétaires ont déjà été appliquées notamment au Centre Oscar Lambret. Notre approche en python se base sur des modèles open source qui permettent de s'affranchir de cette limitation. Les résultats ne se basent que sur les conclusions et sont donc complétement anonymisées ce qui nous permettra de partager le modèle publiquement. Les modèles ont été entrainés sur des données de patients inclus dans des études cliniques, tous les patients n’étant pas évalués par RECIST, cela pourrait limiter les performances appliquées à l'ensemble des comptes rendus d'imagerie. Dans l'avenir, nous prévoyons de structurer automatiquement les plus de 500 000 comptes rendus d'imagerie du CAL et d'appliquer cet algorithme en temps réel. Nous comptons également développer cette approche pour évaluer la réponse selon le référentiel iRECIST basé sur les comptes-rendus de médecine nucléaire.

Ähnliche Arbeiten