0 avis
Prédiction de réponse au 177Lu-PSMA dans le cancer prostatique métastatique résistant, via l’apprentissage automatique
Archive ouverte
Edité par CCSD -
International audience. Cette étude explore les facteurs prédictifs de la réponse au traitement par radioligands (RLT) avec [177Lu] Lu-PSMA dans le traitement du cancer de la prostate métastatique résistant à la castration (mCRPC). Nous avons divisé, selon des critères clinicobiologiques, nos premiers patients traités en deux classes : répondeurs et non répondeurs à la RLT par Lu-PSMA. En utilisant un ensemble de données comprenant des paramètres d’imagerie (TEP 18F-Choline, 68Ga-PSMA et FDG) et des paramètres biologiques, nous avons cherché des éléments prédictifs de la réponse au traitement. L’analyse, basée sur l’analyse exploratoire des données et l’ingénierie des caractéristiques, souligne l’importance des caractéristiques d’imagerie dans la prédiction de l’efficacité du traitement. En outre, des modèles d’apprentissage automatique ont été développés pour prédire les résultats des patients. Sur les données d’imagerie, nos résultats suggèrent une différence statistiquement significative dans l’intensité de la fixation rénale de la choline entre les deux groupes et une fixation ganglionnaire métastatique plus élevée du PSMA chez les répondeurs. De plus, une discordance de fixation FDG+ et PSMA- est apparue comme un indicateur potentiel de non-réponse. En intégrant les données biologiques, le modèle obtient un Recall élevé de 0,92 et une AUC de 0,83, soulignant son potentiel de prédiction de la réponse (le recall mesure la capacité d’un modèle à identifier tous les cas positifs tandis que l’AUC – ou l’aire sous la courbe – mesure la performance d’un modèle de classification). Ces observations soulignent l’importance de l’intégration des données d’imagerie aux données biologiques pour améliorer la précision prédictive des résultats pour les patients dans la RLT avec [177Lu] Lu-PSMA. Non seulement cette étude nous permet d’approfondir notre compréhension des facteurs prédictifs affectant l’efficacité de la RLT, mais elle met également en évidence la valeur de l’apprentissage automatique dans l’amélioration du processus de sélection des patients en vue d’une planification optimisée du traitement.
Consulter en ligne
Suggestions
Du même auteur
