Utilisation de l'analyse d'imagerie intelligente pour prédire la réponse à la chimiothérapie dans le cancer de l'os : un guide du patient sur la radiomique pour l'ostéosarcome

Table des matières

• Points clés
• Comprendre l'ostéosarcome et son traitement
• Le défi de la prédiction de la réponse à la chimiothérapie
• Qu'est-ce que la radiomique et comment fonctionne-t-elle ?
• Comment cette revue de recherche a été réalisée
• Résultats clés : ce que montrent les études
• L'imagerie par résonance magnétique démontre une capacité supérieure
• Implications cliniques : ce que cela signifie pour les patients
• Limites de l'étude : ce que cette revue n'a pas pu prouver
• Recommandations pour les patients et leurs familles
• Questions fréquemment posées
• Informations sur la source

Points clés

• La radiomique basée sur l’IRM a permis de prédire la réponse à la chimiothérapie néoadjuvante dans l’ostéosarcome avec une précision allant jusqu’à 93,8 % et un AUC de 0,961 dans une étude.
• La radiomique extrait des motifs analysés par ordinateur à partir de scanners CT, IRM ou TEP qui peuvent prédire ≥90 % de nécrose tumorale avant la chirurgie.
• La réponse à la chimiothérapie est actuellement évaluée après la chirurgie ; la radiomique vise à la prédire plus tôt, permettant ainsi une personnalisation du traitement.
• La plupart des études sur la radiomique portaient sur de petits échantillons moncentriques, et cette approche n'est pas encore standardisée pour une utilisation clinique de routine.
• La radiomique TEP/CT couplée à l'apprentissage automatique a amélioré la prédiction, mais les caractéristiques brutes de la TEP seules ont donné une mauvaise réponse dans une étude.

Comprendre l'ostéosarcome et son traitement

L'ostéosarcome est la tumeur osseuse maligne primitive la plus fréquente, représentant environ 20 % de toutes les tumeurs malignes primitives de l'os. Il touche principalement les enfants et les adolescents, la métaphyse (l'extrémité en croissance) des os longs — tels que le fémur ou le tibia — étant le site typique où le cancer se développe.

Les stratégies de traitement modernes ont considérablement amélioré les résultats. Le taux de survie à 5 ans actuel pour les patients atteints d'ostéosarcome est désormais de 60 % à 70 %, une amélioration majeure par rapport aux décennies passées. Ces progrès sont largement dus à l'approche de traitement standard, qui combine trois composants :

• Chimiothérapie néoadjuvante (NAC) — chimiothérapie administrée avant la chirurgie pour réduire la taille de la tumeur
• Résection chirurgicale — ablation chirurgicale de la tumeur
• Chimiothérapie adjuvante postopératoire — chimiothérapie supplémentaire administrée après la chirurgie pour éliminer toute cellule cancéreuse résiduelle

La norme clinique actuelle utilise des schémas de chimiothérapie multi-agents, comprenant généralement du méthotrexate à haute dose (HD-MTX), de l'ifosfamide (IFO), de la doxorubicine (ADM) et du cisplatine (DDP). Ces médicaments agissent ensemble pour tuer les cellules cancéreuses, mais le traitement est intense et peut provoquer des effets secondaires importants.

Voici où réside le problème : les patients répondent de manière très différente au même schéma de chimiothérapie. Le taux de réponse — défini comme le pourcentage de patients atteignant au moins 90 % de mort cellulaire tumorale (nécrose) après la chimiothérapie — varie de seulement 30 % à 60 %. Cela signifie qu'un nombre important de patients subissent les effets secondaires sévères de la chimiothérapie sans en tirer tous les bénéfices.

Le défi de la prédiction de la réponse à la chimiothérapie

La sensibilité à la chimiothérapie est l'un des facteurs pronostiques les plus critiques dans l'ostéosarcome. L'essai clinique de référence EURAMOS-1 a montré que seulement environ 50 % des patients obtiennent une bonne réponse histologique, définie comme 90 % ou plus de nécrose tumorale après chimiothérapie néoadjuvante. Ce taux de réponse a des implications importantes pour le pronostic, car il a orienté les décisions thérapeutiques dans l'essai.

Actuellement, la méthode standard d'évaluation de la réponse à la chimiothérapie repose sur l'examen de la tumeur retirée chirurgicalement au microscope. Cette approche, décrite par Huvos et ses collègues, classe les patients en deux groupes :

• Bons répondeurs pathologiques — patients présentant plus de 90 % de nécrose tumorale
• Mauvais répondeurs pathologiques — patients présentant moins de 90 % de nécrose tumorale

La limitation fondamentale de cette approche est le timing. La réponse ne peut être évaluée qu'après la chirurgie, ce qui signifie qu'elle ne peut pas guider les décisions concernant la poursuite ou le changement de chimiothérapie pendant le traitement. À ce jour, aucun marqueur clinique, biologique ou d'imagerie définitif ne permet aux médecins de prédire de manière fiable la réponse à la chimiothérapie suffisamment tôt pour modifier les stratégies de traitement.

Il est également important de noter que la « réponse à la chimiothérapie » englobe deux concepts distincts dans l'ostéosarcome :

• Réponse histologique — définie par la mort cellulaire tumorale mesurée après la chirurgie
• Réponse radiologique — reflétée par les changements d'imagerie, tels que les altérations de la taille ou de la densité de la tumeur sur les scanners CT ou IRM

Les outils prédictifs basés sur la radiomique visent principalement à prédire la réponse histologique en utilisant l'imagerie pré-traitement. Cela comble le fossé entre l'évaluation radiologique précoce et les résultats de la pathologie chirurgicale retardée.

Les critères radiologiques existants tels que RECIST (Response Evaluation Criteria in Solid Tumors) sont moins applicables à l'ostéosarcome car la présence de matrice osseuse complique l'évaluation des changements de taille de la tumeur. Cela rend difficile de dire si une tumeur répond simplement en mesurant ses dimensions sur un scanner.

Qu'est-ce que la radiomique et comment fonctionne-t-elle ?

La radiomique représente un changement révolutionnaire dans l'analyse de l'imagerie médicale. Au lieu de s'appuyer uniquement sur l'interprétation visuelle d'un radiologue, la radiomique utilise des algorithmes informatiques avancés pour extraire des milliers de mesures quantitatives à partir d'images médicales. Ces mesures se divisent en plusieurs catégories :

• Caractéristiques morphologiques — les caractéristiques de forme de la tumeur
• Caractéristiques d'intensité (statistiques du premier ordre) — les propriétés statistiques des valeurs de pixels au sein de la tumeur
• Caractéristiques de texture (caractéristiques du deuxième ordre et supérieurs) — les motifs d'agencement des pixels qui révèlent l'hétérogénéité tumorale

Ces caractéristiques peuvent être extraites de plusieurs modalités d'imagerie, notamment la tomodensitométrie (CT), l'imagerie par résonance magnétique (MRI) et la tomographie par émission de positons au 18F-fluorodésoxyglucose (18F-FDG PET/CT). Cette technologie permet de caractériser avec précision l'hétérogénéité tumorale et le microenvironnement tumoral, surmontant les limites de subjectivité et de reproductibilité de l'interprétation manuelle traditionnelle des images.

Pour comprendre comment fonctionne la radiomique, il est utile de connaître les outils d'intelligence artificielle (IA) qui la sous-tendent :

• Apprentissage automatique (ML) — un sous-ensemble de l'IA qui utilise des algorithmes pour apprendre des motifs à partir de données et faire des prédictions sans être explicitement programmé pour chaque tâche
• Apprentissage profond (DL) — une branche spécialisée du ML qui utilise des réseaux neuronaux multicouches pour extraire automatiquement des caractéristiques hiérarchiques à partir de données complexes comme les images médicales
• Réseaux neuronaux convolutifs (CNN) — un type d'algorithme d'apprentissage profond qui utilise des noyaux convolutifs multicouches pour extraire automatiquement des caractéristiques d'image. Cette approche permet une analyse simultanée des caractéristiques de texture microscopiques et des motifs morphologiques macroscopiques

Les méthodes statistiques conventionnelles présentent des limites importantes lors du traitement des données multidimensionnelles et non linéaires caractéristiques de la radiomique. Leur capacité d'extraction de caractéristiques est restreinte et elles peinent à reconnaître des motifs complexes. En revanche, les approches d'apprentissage profond offrent deux avantages distincts :

1. Elles élimient le biais de sélection inhérent à l'ingénierie manuelle des caractéristiques
2. Par l'optimisation par rétropropagation, elles peuvent identifier directement des biomarqueurs d'imagerie potentiels à partir de données brutes de pixels

Des études de validation clinique ont établi que les modèles de prédiction basés sur l'apprentissage profond démontrent des performances supérieures pour évaluer la réponse à la chimiothérapie néoadjuvante par rapport aux méthodes traditionnelles.

Comment cette revue de recherche a été réalisée

Les chercheurs ont suivi les directives PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) pour s'assurer que leur revue était complète et impartiale. Voici comment ils ont mené leur recherche :

• Bases de données consultées : Trois grandes bases de données médicales
• Période couverte : Articles publiés entre le 1er janvier 2014 et le 31 décembre 2024
• Termes de recherche utilisés : "osteosarcoma AND chemotherapy AND response AND prediction"
• Restriction linguistique : Articles de recherche originaux uniquement en anglais ; les articles de revue ont été exclus

Deux enquêteurs indépendants ont effectué le dépistage initial sur la base des titres et des résumés. Les études potentiellement éligibles ont ensuite fait l'objet d'un examen en texte intégral. Tout désaccord entre les examinateurs a été résolu par discussion consensuelle.

Les études ont été incluses si elles répondaient aux trois critères suivants :

1. Ostéosarcome primitif confirmé histologiquement
2. Évaluation de la prédiction de la réponse à la chimiothérapie néoadjuvante
3. Réponse pathologique rapportée (par ex. ≥90 % de nécrose tumorale)

Les études ont été exclues si elles :

• N'ont pas rapporté d'issues pertinentes
• N'incluaient pas spécifiquement le terme « ostéosarcome »
• Limitaient l'évaluation à l'imagerie post-chimiothérapie uniquement
• Étaient des études pronostiques plutôt que prédictives
• Utilisaient des approches non basées sur l'imagerie

Pour l'extraction des données, deux enquêteurs ont collecté indépendamment les informations à l'aide d'un formulaire standardisé. Cela comprenait l'année de publication, la conception de l'étude, les caractéristiques démographiques des patients, les paramètres d'imagerie, la méthodologie d'extraction des caractéristiques radiomiques, la construction du modèle prédictif et les issues principales. Lorsque les données étaient manquantes ou ambiguës, ils ont tenté de contacter les auteurs originaux pour obtenir des éclaircissements.

Les chercheurs ont également utilisé l'outil Radiomics Quality Score (RQS) pour évaluer la qualité des études. L'évaluation portait sur plusieurs composants critiques, notamment les protocoles d'acquisition de l'imagerie (paramètres de l'équipement et standardisation du balayage), les méthodes de segmentation tumorale, les techniques d'extraction des caractéristiques et les approches de construction du modèle.

Enfin, les auteurs ont réalisé une méta-analyse quantitative à l'aide de modèles à effets aléatoires pour comparer la performance prédictive des différentes modalités d'imagerie (IRM et TEP-TDM). Ils ont calculé la sensibilité globale, la spécificité globale et l'aire sous la courbe ROC (AUC) — une mesure de la capacité d'un test à distinguer les bons répondeurs des mauvais répondeurs. L'hétérogénéité des études (incohérence entre les études) a été évaluée à l'aide des statistiques I².

Résultats clés : ce que montrent les études

La revue a identifié 24 études éligibles évaluant la radiomique pour prédire la réponse à la chimiothérapie néoadjuvante dans l'ostéosarcome. Les études ont utilisé diverses modalités d'imagerie, notamment la radiographie, la TDM, l'IRM, les examens de médecine nucléaire et la TEP/TDM. Voici les résultats clés organisés par type d'imagerie.

Radiographie et IRM combinées

Une étude de 2023 menée par Z. Luo et ses collègues, impliquant 102 patients, a combiné la radiomique de la radiographie et de l'IRM avec des données cliniques. Le modèle utilisant toutes les données combinées a atteint une AUC de 0,828. Les modèles individuels ont obtenu les performances suivantes : clinique plus radiomique de la radiographie a atteint une AUC de 0,760, radiomique de la radiographie seule 0,751, radiomique de l'IRM seule 0,706 et la combinaison de la radiomique de la radiographie et de l'IRM 0,796.

Radiomique basée sur la TDM

F. Yang et ses collègues (2024) ont mené une étude multicentrique avec 225 patients utilisant la radiomique de la TDM. Les modèles combinant les caractéristiques radiomiques et cliniques ont atteint des valeurs d'AUC de 0,78 dans l'ensemble d'apprentissage et de 0,75 dans l'ensemble de validation indépendant.

D. Fu et ses collègues (2023) ont étudié 18 patients et examiné les caractéristiques de la graisse périostéosarcome sur le scanner. L'indice d'atténuation de la graisse périostéosarcome (FAI) a obtenu une aire sous la courbe (AUC) de 0,950, tandis que la concentration de méthotrexate à 6 heures avait une AUC de 0,963 — les deux indiquant une excellente performance prédictive pour la réponse à la chimiothérapie.

L. Xu et ses collègues (2021) ont étudié 157 patients et amélioré la précision de la prédiction en combinant les caractéristiques radiomiques du scanner issues à la fois de la zone tumorale et des zones osseuses non tumorales environnantes, en utilisant plusieurs techniques d'apprentissage automatique.

Imagerie nucléaire (Tc-MIBI)

C. Wu et ses collègues (2019) ont étudié 30 patients à l'aide d'examens au Tc-MIBI. Ils ont constaté que le taux de clairance tumorale (la vitesse à laquelle le traceur radioactif quitte la tumeur) était négativement corrélé au taux de nécrose tumorale (r = −0,510, P = 0,004). Lorsqu'un taux de clairance de 25 % ou moins était utilisé comme seuil pour prédire une bonne réponse à la chimiothérapie, la sensibilité était de 100 %, la spécificité de 91,7 % et l'exactitude de 95,8 %.

Radiomique basée sur l'IRM

Plusieurs études basées sur l'IRM ont démontré une forte performance prédictive :

• F. Zheng (2024), 106 patients : Un modèle de radiomique par apprentissage profond a obtenu la meilleure performance prédictive avec une exactitude de 93,8 % et une AUC de 0,961 dans l'ensemble de test.
• Y. Zhang (2024), 109 patients : Un modèle combiné utilisant des IRM pré- et post-chimiothérapie a obtenu des valeurs d'AUC de 0,999 dans l'ensemble d'apprentissage et de 0,915 dans l'ensemble de test. Il est à noter que les modèles post-chimiothérapie ont performé mieux que les modèles pré-chimiothérapie.
• Kanthawang Thanat (2024), 95 patients : Un volume tumoral supérieur à 150 mL et un diamètre axial maximal supérieur à 7,0 cm ont été identifiés comme prédicteurs indépendants de mauvaise réponse (P = 0,025 et P = 0,045, respectivement).
• J. Zhong (2022), 144 patients : Les modèles radiomiques ont obtenu des valeurs d'AUC de 0,699, 0,759 et 0,784 selon les différentes configurations du modèle.
• K.Y. Teo (2022), 15 patients : L'apprentissage automatique combiné à l'IRM multimodale a montré d'excellentes performances dans la prédiction de la nécrose tumorale, avec une AUC de 0,999 dans l'ensemble d'apprentissage et de 0,915 dans l'ensemble de test.
• Esha Baidya Kayal (2022), 35 patients (IRM-IVIM) : Les paramètres de référence ont montré une AUC de 0,87, une sensibilité de 86 % et une spécificité de 77 %. Après le premier cycle de chimiothérapie, l'AUC a augmenté à 0,96, avec une sensibilité de 86 % et une spécificité de 100 %.
• J. Dufau (2019), 69 patients : Parmi ces patients, 55,1 % (38 sur 69) étaient de bons répondants histologiques. Un modèle de machine à vecteurs de support basé sur les données radiomiques initiales de l'IRM a obtenu une aire sous la courbe ROC (AUROC) de 0,98, une sensibilité de 100 % (IC à 95 % [100 %–100 %]) et une spécificité de 86 % (IC à 95 % [59,7 %–111 %]).
• G.J. Djuričić (2017), 22 patients : L'analyse morphologique computationnelle utilisant des algorithmes de fractale et de matrice de co-occurrence de niveaux de gris a prédit la réponse à la chimiothérapie avec une AUC de 0,82 et une exactitude de 82 %.

Techniques avancées d'IRM (IRM-DCE et IRM-DWI-IVIM)

• Zeng Yan-Ni (2022), 25 patients (IRM-DCE) : En utilisant des seuils de 3,2 %/s (pente), 175 secondes (TTP) et 5,4 % (ER), la sensibilité et la spécificité pour prédire une bonne réponse à la chimiothérapie étaient respectivement de 83,3 % et 92,3 %, 91,7 % et 69,2 %, et 84,6 % et 75,0 %.
• Xibin Xia (2022), 163 patients (IRM-DCE + IRM-DWI-IVIM) : Après deux cycles de traitement, les valeurs de Ktrans, Kep et Ve étaient significativement plus basses dans le groupe réponse complète/réponse partielle que dans le groupe maladie stable/maladie progressive. Parallèlement, les valeurs de D, ADC et f étaient significativement plus élevées chez les bons répondants. Les analyses sanguines de phosphatase alcaline (ALP) et de lactate déshydrogénase (LDH) étaient positivement corrélées aux valeurs de Ktrans, Kep et Ve, mais négativement corrélées aux valeurs de D, ADC et f.
• A. Bouhamama (2022), 176 patients dans 3 centres : Le modèle combiné IRM-DCE et IRM-DWI-IVIM a obtenu des valeurs d'AUC de 0,95 et 0,97, avec une sensibilité de 91 % et une spécificité de 92 %.
• L. Zhang (2021), 102 patients (IRM-DCE) : Les modèles combinant des facteurs de risque cliniques (tels que le stade chirurgical) avec des caractéristiques radiomiques ont surpassé la radiomique seule. Le modèle combiné a atteint une exactitude prédictive de 0,91 dans l'ensemble d'apprentissage et de 0,90 dans l'ensemble de test, avec des valeurs d'AUC de 0,94 et 0,95, respectivement.
• M.M. Saleh (2020), 53 patients (IRM multiparamétrique avec IRM-DWI) : Cette étude a souligné l'importance d'utiliser une IRM multi-paramétrique, en particulier l'imagerie par pondération de diffusion (DWI) et les cartes de coefficient de diffusion apparente (ADC), pour prédire la sensibilité à la chimiothérapie. Elle a également indiqué les limites des méthodes d'évaluation traditionnelles basées uniquement sur le changement de volume tumoral.

Radiomique basée sur la TEP/CT

• B.C. Kim (2021), 52 patients : La précision du test de réponse à la chimiothérapie à l'aide des caractéristiques de texture d'image était de 0,83, et celle du test de métastase était de 0,76. La combinaison de l'imagerie avec des données génomiques (radiogénomique) a amélioré les résultats : la précision maximale du test de réponse à la chimiothérapie avec AUC_max, KI67 et EZRIN était de 0,85 avec une aire sous la courbe (AUC) de 0,89. La précision de la prédiction des métastases a augmenté de 10 % grâce aux données radiogénomiques.
• Kim J (2021), 105 patients : Alors qu'un modèle de prédiction basé sur les caractéristiques de texture de la TEP de référence avec l'apprentissage automatique traditionnel estimait des résultats défavorables, un réseau CNN 2D utilisant des images TEP au FDG de référence pouvait prédire la réponse au traitement avant la chimiothérapie. Cela suggère que l'apprentissage profond sur les images TEP peut aider à décider s'il faut administrer une chimiothérapie néoadjuvante.
• H. Song (2019), 35 patients : Le volume tumoral métabolique (VTM) a été identifié comme le meilleur paramètre pour prédire la réponse à la chimiothérapie, avec une AUC de 0,918 et une valeur p inférieure à 0,0001, indiquant une très haute précision prédictive.
• S.Y. Jeong (2019), 70 patients : Les caractéristiques de la TEP de référence seules (SUVmax, TLG, VTM, entropie du premier ordre et entropie de la matrice de cooccurrence des niveaux de gris) avaient des AUC faibles allant de 0,536 à 0,553. Cependant, les caractéristiques issues de l'apprentissage automatique utilisant un SVM linéaire, une forêt aléatoire et un gradient boosting ont atteint des AUC de 0,72, 0,78 et 0,82 respectivement, montrant que l'apprentissage automatique a considérablement amélioré le pouvoir prédictif.
• I. Lee B (2018), 62 patients : Cette étude a comparé la scintigraphie osseuse au Tc-MDP et la TEP/CT au FDG, montrant que chaque méthode d'imagerie (avec des caractéristiques telles que le rapport T/N et le SUVmax) offrait des avantages différents dans la prédiction de la réponse.
• J.C. Davis (2018), 34 patients : Le SUVmax sur les images de routine à 5 ou 10 semaines, ainsi que le pourcentage de variation du SUVmax entre la référence et la semaine 10, ont été identifiés comme des prédicteurs métaboliques de la réponse histologique.
• B.H. Byun (2015), 34 patients (TEP/CT au FDG à double phase) : En utilisant des critères combinés de variation du pourcentage du SUV et de valeurs d'indice de rétention (IR), les précisions de prédiction étaient de 81 %, 77 % et 77 % pour diverses combinaisons. La réponse histologique après chimiothérapie néoadjuvante pouvait être prédite en utilisant l'IR moyen avant le début du traitement, et l'utilisation combinée des valeurs de SUV et d'IR fournissait une meilleure prédiction.

L'IRM démontre une capacité supérieure

Une conclusion clé de cette revue est que l'IRM démontre une capacité supérieure dans l'intégration de données multimodales et l'extraction de caractéristiques à haut débit. Cela s'explique par le fait que l'IRM offre un excellent contraste des tissus mous, permettant une visualisation détaillée de la tumeur dans l'os et les tissus environnants.

Les modèles ayant obtenu les meilleurs résultats dans l'ensemble de la revue étaient principalement basés sur l'IRM. Par exemple, le modèle de radiomique par apprentissage profond de F. Zheng a atteint une précision de 93,8 % et une AUC de 0,961, tandis que le modèle d'IRM pré- et post-chimiothérapie de Y. Zhang a atteint une AUC de 0,999 lors de l'apprentissage et de 0,915 lors des tests. L'étude DCE-IRM de A. Bouhamama sur trois centres a obtenu des valeurs d'AUC de 0,95 et 0,97.

La radiomique basée sur la TEP/CT a également montré son potentiel, en particulier lorsqu'elle est combinée à des approches d'apprentissage automatique ou d'apprentissage profond. L'étude de S.Y. Jeong a démontré que si les caractéristiques brutes de la TEP performaient mal (AUC 0,536–0,553), l'application d'algorithmes d'apprentissage automatique a considérablement amélioré les performances (AUC 0,72–0,82). Cela met en évidence un principe crucial : ce n'est pas seulement le mode d'imagerie qui compte, l'approche analytique est tout aussi importante.

Implications cliniques : ce que cela signifie pour les patients

La valeur clinique de la prédiction de la réponse à la chimiothérapie s'étend sur trois dimensions clés :

1. Optimisation du traitement. Des modèles prédictifs précis permettraient des stratégies thérapeutiques véritablement personnalisées. Pour les patients dont on prédit une bonne réponse à la chimiothérapie, le traitement peut être optimisé, par exemple en maintenant des schémas efficaces pour éviter une escalation inutile. Pour les patients dont on prédit une mauvaise réponse, ils pourraient être rapidement orientés vers des thérapies alternatives, telles que des agents ciblés ou l'immunothérapie, qui sont actuellement à l'étude dans des essais cliniques.

2. Gestion pronostique. Des outils de prédiction fiables faciliteraient l'identification précoce des populations de patients à haut risque, permettant une surveillance plus intensive et des interventions cliniques opportunes. Par exemple, l'essai SARC024 a utilisé des outils prédictifs pour stratifier les patients dans de nouvelles bras thérapeutiques en fonction de la résistance prédite, accélérant ainsi le processus de développement des médicaments.

3. Transfert vers la pratique clinique. Des systèmes de prédiction robustes fournissent des critères de stratification précieux pour la conception des essais cliniques. Cela signifie que les futurs essais cliniques peuvent être conçus plus efficacement, avec les bons patients assignés aux bons bras de traitement dès le départ.

Le caractère non invasif de la radiomique est un autre avantage majeur. Contrairement à la biopsie, qui nécessite une procédure invasive, l'imagerie médicale peut être répétée tout au long du traitement sans risque supplémentaire pour le patient. Cela permet une surveillance dynamique de la réponse de la tumeur et un ajustement des plans de traitement en temps réel.

Limites de l'étude : ce que cette revue n'a pas pu prouver

Bien que les résultats soient encourageants, la revue met en évidence plusieurs limitations importantes que les patients doivent comprendre :

• Tailles d'échantillon petites : De nombreuses études incluses avaient de petites populations de patients. Par exemple, plusieurs études comptaient moins de 35 patients, ce qui limite la puissance statistique et la généralisabilité de leurs résultats.
• Conceptions monocentriques : La majorité des études ont été menées dans un seul établissement, ce qui soulève des questions sur la possibilité que les résultats soient valides dans différents hôpitaux disposant d'équipements d'imagerie et de protocoles différents.
• Hétérogénéité entre les études : Les études variaient considérablement en termes de paramètres d'imagerie, de méthodes de segmentation, de techniques d'extraction de caractéristiques et d'algorithmes d'apprentissage automatique. Cette hétérogénéité complique les comparaisons directes et les méta-analyses.
• Manque de standardisation : Il n'existe actuellement aucune norme uniforme concernant la manière dont les caractéristiques radiomiques doivent être extraites et analysées, ce qui peut entraîner des problèmes de reproductibilité.
• Variabilité de la sélection des caractéristiques : La revue a noté que les méthodes de sélection des caractéristiques et les stratégies de validation variaient considérablement d'une étude à l'autre, affectant la précision des prédictions.
• Distinction entre prédictif et pronostique : La revue a soigneusement distingué les études prédictives (qui prévoient la réponse au traitement) des études pronostiques (qui prévoient les résultats globaux). Seules les études prédictives ont été incluses, mais cette distinction peut être difficile à maintenir en pratique.

Il est également important de noter que, bien que la radiomique montre un excellent potentiel, ces outils ne sont pas encore prêts pour une utilisation clinique de routine. Ils doivent être considérés comme des approches expérimentales qui peuvent compléter — mais pas encore remplacer — l'évaluation histopathologique standard après la chirurgie.

Recommandations pour les patients et leurs familles

Si vous ou un proche êtes confrontés à un traitement contre l'ostéosarcome, voici quelques points pratiques tirés de cette recherche :

1. Informez-vous sur l'évaluation de la réponse basée sur l'imagerie. Bien que la norme des soins reste l'évaluation histopathologique après la chirurgie, certains centres cancérologiques commencent à utiliser l'analyse d'imagerie avancée pour surveiller la réponse pendant la chimiothérapie néoadjuvante.
2. Participez aux essais cliniques lorsque cela est possible. De nombreuses approches d'apprentissage automatique et de radiomique discutées dans cette revue sont en cours d'affinement dans le cadre d'essais cliniques. Participer à la recherche peut vous donner accès à des outils prédictifs de pointe tout en contribuant au progrès scientifique.
3. Comprenez les critères de réponse. Lorsque votre équipe soignante parle d'une « bonne réponse » à la chimiothérapie, elle fait généralement référence à une nécrose tumorale d'au moins 90 % observée au microscope après la chirurgie. Il s'agit d'un indicateur pronostique clé.
4. Informez-vous sur l'IRM par rapport au TEP/TDM. Selon cette revue, la radiomique basée sur l'IRM semble offrir le pouvoir prédictif le plus fort, mais le TEP/TDM avec analyse par apprentissage automatique montre également un potentiel. L'équipement et l'expertise de votre centre influenceront l'approche la plus réalisable.
5. Discutez des limites honnêtement. Aucun test d'imagerie ni modèle de radiomique ne peut prédire parfaitement la réponse à la chimiothérapie. L'objectif de ces outils est de fournir des informations supplémentaires pour guider les décisions thérapeutiques, et non de remplacer le jugement clinique.
6. Envisagez de consulter un centre spécialisé dans les sarcomes. L'ostéosarcome est un cancer rare, et les centres avec un fort volume de patients sont plus susceptibles d'avoir accès à des capacités d'analyse d'imagerie avancée et à des essais cliniques.

En résumé : La radiomique représente une frontière passionnante dans la prise en charge de l'ostéosarcome. La capacité de prédire la réponse à la chimiothérapie à partir d'une simple IRM ou d'un scanner TEP — avant tout traitement — pourrait épargner aux patients des thérapies inefficaces, guider des plans de traitement plus personnalisés et améliorer in fine les résultats en termes de survie. Bien que davantage de recherches soient nécessaires pour standardiser ces approches et les valider auprès de populations multicentriques plus larges, les preuves actuelles sont très encourageantes.

Questions fréquemment posées

Qu'est-ce que la radiomique et comment peut-elle aider dans le traitement de l'ostéosarcome ?

La radiomique utilise des algorithmes informatiques pour extraire des informations détaillées à partir d'images médicales invisibles à l'œil nu, telles que les motifs de texture. Dans le cas de l'ostéosarcome, la radiomique vise à prédire si la chimiothérapie administrée avant la chirurgie obtiendra une bonne réponse, c'est-à-dire au moins 90 % de mort des cellules tumorales. Cela pourrait aider à personnaliser le traitement et à éviter les thérapies inefficaces.

La radiomique peut-elle prédire la réponse avant la chirurgie, alors que la chimiothérapie est toujours en cours ?

Oui. L'objectif est de prédire le résultat anatomopathologique différé à l'aide d'imagerie obtenue avant ou pendant la chimiothérapie. Une étude a montré que l'IRM après le premier cycle de chimiothérapie améliorait la prédiction par rapport à celle réalisée avant le traitement. Cela permet un ajustement plus précoce du traitement, contrairement à la méthode standard qui n'évalue la tumeur qu'après son ablation chirurgicale.

La radiomique est-elle prête pour une utilisation clinique de routine dans l'ostéosarcome ?

Non, pas encore. La revue indique que ces outils doivent être considérés comme expérimentaux. Ils peuvent compléter mais ne pas remplacer l'évaluation anatomopathologique standard après la chirurgie. Les limites incluent de petites tailles d'échantillon, des conceptions monocentriques et un manque de standardisation. Il est important de discuter avec votre équipe soignante pour savoir si une analyse d'imagerie avancée est disponible et adaptée.

Quelles sont les principales limites de la recherche sur la radiomique dans l'ostéosarcome ?

De nombreuses études comportaient un petit nombre de patients, par exemple moins de 35 patients pour plusieurs d'entre elles. La plupart provenaient d'un seul centre, donc les résultats pourraient ne pas s'appliquer ailleurs. Il n'y avait pas de norme uniforme pour l'extraction et l'analyse des caractéristiques radiomiques, ce qui soulève des préoccupations concernant la reproductibilité. La revue conseille qu'aucun outil d'imagerie ne remplace encore le jugement clinique.

Devrais-je demander à mon médecin de la radiomique ou d'une analyse d'imagerie avancée pendant le traitement ?

Vous pouvez demander si votre centre utilise une évaluation de la réponse basée sur l'imagerie pendant la chimiothérapie néoadjuvante. Certains centres de cancérologie commencent à utiliser l'analyse d'imagerie avancée pour surveiller la réponse. Cependant, la norme des soins reste l'examen de la tumeur retirée chirurgicalement après l'opération. Participez aux essais cliniques si possible, car ces outils sont affinés dans le cadre de la recherche.

Devrais-je obtenir un deuxième avis sur mon plan de traitement de l'ostéosarcome avant de commencer la chimiothérapie néoadjuvante ?

Pour l'ostéosarcome, la réponse à la chimiothérapie est actuellement connue uniquement après la chirurgie, lorsque la mort des cellules tumorales est vérifiée au microscope. Puisque environ 30 à 60 % des patients n'obtiennent pas une bonne réponse (plus de 90 % de nécrose tumorale), un deuxième avis avant de commencer la chimiothérapie néoadjuvante peut être précieux. Un expert pourrait examiner votre imagerie et discuter si des outils radiomiques expérimentaux, qui ne sont pas encore standard, pourraient suggérer des approches alternatives telles que la thérapie ciblée ou les essais cliniques. L'analyse basée sur l'IRM montre un fort potentiel prédictif dans la recherche. Diagnostic Detectives Network fournit des deuxièmes avis d'experts indépendants.

Informations sur la source

Original article title: Radiomics for predicting sensitivity to neoadjuvant chemotherapy in osteosarcoma: current status and advances.

Authors: Zhang P, Yao W, Li Z, Fan Y, Du X, Wang B, Zhang F, Hou J, Su Q.

Affiliations: Henan Cancer Hospital / Affiliated Cancer Hospital of Zhengzhou University, Zhengzhou, China; Zhengzhou University, Zhengzhou, China; Zhoukou Central Hospital, Zhoukou, China

Journal: Oncology Reviews, Volume 19, Article 1633211

Publication date: October 17, 2025

DOI: 10.3389/or.2025.1633211

Study type: Systematic review with meta-analysis

Cet article adapté aux patients est basé sur des recherches évaluées par les pairs. L'article original a été publié sous la licence Creative Commons Attribution (CC BY), qui permet le partage et l'adaptation avec une attribution appropriée aux auteurs et à la source originaux. Ce résumé pour les patients a été créé pour rendre les résultats de la recherche plus accessibles aux patients, aux familles et aux aidants. Il ne constitue pas un avis médical — veuillez consulter votre équipe de soins en oncologie pour des conseils spécifiques à votre situation.