Aspect en cible sur l’imagerie pondérée en T2 et signes d’atteinte vasculaire de la tumeur : valeur diagnostique pour différencier le CHC des autres carcinomes primaires du foie
Cannella, R., Fraum, T.J., Ludwig, D.R. et al.
Eur Radiol (2021).
https://link.springer.com/article/10.1007/s00330-021-07743-x
Mots-clés : Carcinome hépatocellulaire, Cholangiocarcinome intrahépatique, Imagerie par résonance magnétique
Question clinique : L’aspect en cible sur l’imagerie pondérée en T2 et les signes d’atteinte vasculaire de la tumeur peuvent-ils être utilisés comme caractéristiques potentielles de LI-RADS pour différencier le CHC des cancers non hépatocellulaires.
Ce qui a été fait : L’aspect en cible et les signes d’invasion vasculaire tumorale ont été comparés dans les cholangiocarcinomes intrahépatiques et les cholangiocarcinomes hépatocellulaires combinés
Comment : Évaluation rétrospective de 165 cholangiocarcinomes intrahépatiques, 74 cholangiocarcinomes hépatocellulaires combinés et 136 CHC (contrôle). L’aspect en cible et cinq caractéristiques d’invasion vasculaire tumorale (encastrement, rétrécissement, attachement, occlusion et oblitération) ont été enregistrés, et leurs sensibilités et spécificités ont été calculées.
Trouvailles et résultats : L’aspect en cible sur l’imagerie pondérée en T2 est hautement spécifique pour les cancers non hépatocellulaires (97,3% – 98,2%). L’attachement et l’occlusion sont les plus spécifiques, parmi les caractéristiques de l’invasion vasculaire de la tumeur, pour les cancers non hépatocellulaires (97,1% – 100% et 99,3%, respectivement). En revanche, l’encastrement et l’oblitération vasculaires ont les sensibilités les plus élevées (34,3% – 37,2% et 25,5% – 29,7% respectivement).
Conclusion : L’aspect en cible sur l’imagerie pondérée en T2 ainsi que l’attachement et l’occlusion vasculaires ont démontré une haute spécificité pour la différenciation des cancers non hépatocellulaires des CHC.
Implications : L’aspect en cible sur l’imagerie pondérée en T2 pourrait être une caractéristique d’imagerie de LI-RADS potentiellement intéressante pour la catégorie LR-M.
Liver Imaging Reporting and Data System pour l’IRM (LI-RADS) version 2018 : Impact et réduction des caractéristiques auxiliaires.
van der Pol CB, Dhindsa K, Shergill R, Zha N, Ferri M, Kagoma YK, Lee SY, Satkunasingham J, Wat J, Tsai S.
Am J Roentgenol. (2021).
https://www.ajronline.org/doi/10.2214/AJR.20.23031
Mots-clés : Carcinome hépatocellulaire, Imagerie par résonance magnétique, Analyse des systèmes
Question clinique: Quel est l’impact des caractéristiques auxiliaires du LI-RADS v2018 sur l’IRM? Peuvent-elles être réduites sans nuire à la précision de LI-RADS?
Ce qui a été fait : La précision diagnostique des catégories du LI-RADS a été calculée avec et sans caractéristiques auxiliaires. Des algorithmes d’apprentissage automatique ont été utilisés pour identifier les caractéristiques auxiliaires non contributives.
Comment : Évaluation rétrospective de 222 observations hépatiques pour la présence ou l’absence de caractéristiques majeures et auxiliaires en IRM selon le LI-RADS v2018. Les catégories du LI-RADS et leur précision diagnostique respective avec et sans caractéristiques auxiliaires ont été déterminées. Des algorithmes d’apprentissage automatique ont été utilisés pour identifier les caractéristiques auxiliaires non contributives, puis pour calculer les mesures de performance des catégories du LI-RADS en fonction des différentes combinaisons de caractéristiques auxiliaires.
Trouvailles et résultats : Le pourcentage de CHC ne diffère pas de manière significative entre lorsqu’on utilise seulement les caractéristiques majeures versus avec l’ajout des caractéristiques auxiliaires. Cinq caractéristiques auxiliaires ont été identifiées comme étant non contributives : amélioration de la couronne, nodules-dans-les-nodules, architecture en mosaïque, produits sanguins en masse et graisse en masse.
Conclusion/Implications : Plusieurs caractéristiques auxiliaires pourraient être retirées du LI-RADS v2018 pour l’IRM sans compromettre sa précision.
Apprentissage profond avec réseau neuronal convolutif 3D pour la prédiction non invasive de l’invasion microvasculaire dans le carcinome hépatocellulaire
Zhang Y, Lv X, Qiu J, Zhang B, Zhang L, Fang J, Li M, Chen L, Wang F, Liu S, Zhang S.
J Magn Reson Imaging (2021).
https://doi.org/10.1002/jmri.27538
Mots-clés : Carcinome hépatocellulaire, Imagerie par résonance magnétique, Apprentissage profond, Invasion microvasculaire.
Question clinique : Prédiction préopératoire de l’invasion microvasculaire dans le CHC.
Comment : Des études de RM avec produit de contraste de 237 patients avec un CHC confirmé en pathologie après résection chirurgicale ont été utilisées comme données d’entrée pour quatre modèles d’apprentissage profond. Trois modèles étaient basés sur une seule séquence de RM, et un quatrième modèle de « fusion » combinant les trois séquences de RM. Ces modèles ont été utilisés pour prédire la présence ou l’absence d’invasion microvasculaire.
Trouvailles et résultats : La précision prédictive maximale a été obtenue par le modèle de fusion; 71%, avec une sensibilité de 55% et une spécificité de 81% sur l’ensemble de données de validation.
Conclusion/Implications : L’apprentissage profonde pourrait être utilisé pour la prédiction préopératoire de l’invasion microvasculaire chez les patients atteints de CHC.
Analyse automatisée des examens multiparamétrique d’imagerie par résonance magnétique et d’élastographie par résonance magnétique pour la prédiction de la stéatohépatite non alcoolique
Dzyubak B, Li J, Chen J, Mara KC, Therneau TM, Venkatesh SK, Ehman RL, Allen AM, Yin M.
J Magn Reson Imaging (2021).
https://doi.org/10.1002/jmri.27549
Mots-clés : ERM, SHNA, FLDP, rigidité hépatique.
Question clinique : Analyse automatisée de la stéatose et de la rigidité hépatique ainsi que la prédiction de la SHNA sur la RM.
Ce qui a été fait : Analyse manuelle de la fraction lipidique de la densité des protons (FLDP) et de la rigidité hépatique sur les études par RM a été comparée à une analyse basée entièrement sur l’apprentissage automatique. Un autre modèle a été développé pour prédire la SHNA.
Comment : Évaluation prospective de 83 patients adultes avec de l’obésité par élastographie par RM (ERM) et par RM par déplacement chimique (IRM-DC). Tous les patients ont eu une biopsie du foie pour l’évaluation de la SHNA. La FLDP et la rigidité hépatique ont été calculées manuellement par deux radiologues. Un algorithme automatisé a été développé pour la sélection automatisée de la région d’intérêt ainsi que le calcul de la FLDP et de la rigidité hépatique. Un autre modèle a été créé pour prédire la SHNA diagnostiquée à la pathologie basée sur la rigidité et la FLDP.
Trouvailles et résultats : La concordance entre les mesures automatisées et les radiologues lecteurs était élevée (R2 = 0,87 pour la rigidité et R2 = 0,99 pour la FLDP). L’aire sous la courbe ROC pour le modèle de prédiction de la SHNA était de 0,87.
Conclusion/Implications : La SHNA pourrait être prédite à l’aide d’un algorithme d’apprentissage automatique basé sur la rigidité hépatique et la FLDP sur l’ERM et l’IRM-DC, respectivement.
References
