Prédiction de la progression chez des patients atteints de myélome multiple par "Random Survival Forest"

Ludivine Morvan (1, 2, 3) , Diana Mateus (2) , Clément Bailly (4, 1) , Bastien Jamet (5) , Caroline Bode-Milin (1, 6) , Philippe Moreau (7, 8) , Cyrille Touzeau (9, 8) , Françoise Kraeber-Bodéré (1, 6) , Thomas Carlier (1, 6)

1 CRCINA-ÉQUIPE 13 - Nuclear Oncology
2 LS2N - Laboratoire des Sciences du Numérique de Nantes
3 LS2N - équipe SIMS - Signal, IMage et Son
4 Service de Médecine Nucléaire [Nantes]
5 NANTES - Médecine Nucléaire - Département de Médecine Nucléaire
6 Service de Médecine Nucléaire [CHU Nantes]
7 Département d'Hématologie [CHU Nantes]
8 CRCINA - Centre de Recherche en Cancérologie et Immunologie Nantes-Angers
9 Département d'Hématologie Clinique [CHU Nantes]

Contexte : L'imagerie TEP-FDG corps entier procure des informations pronostiques dans le bilan initial et le suivi thérapeutique des patients atteints de myélome multiple (MM). Objectifs : * Prédire la progression (Progression-Free Survival ou PFS). * Fournir les features caractéristiques (Cliniques and Radiomiques). Contribution : Les biomarqueurs par imagerie TEP ont été peu étudiés dans ce contexte. Les "Random Survival Forest" (RSF) [2], peuvent fournir un procédé plus robuste que les méthodes conventionnelles et n'est pour le moment pas étudié dans ce contexte. Nous proposons une méthode pour la prédiction de la PFS dans le contexte du MM en utilisant des RSF avec la méthode de sélection par "Variable importance" (VIMP) [2]. Définitions : * Censure à droite: Quand un évènement (mort/rechute) n'a pas eu lieu à la fin de la période d'évaluation. * C-index: L'indice de concordance est la fréquence des paires concordantes parmis toutes les paires possibles. Erreur de prédiction = 1-C-index * Courbe de survie: Taux de survie d'une population spécifique, sur une période de temps. Les données : Etude multicentrique prospective, IMAJEM [1], 99 patients Caractéristiques cliniques et d'imagerie. Conclusions et perspectives : * Modèle plus performant que les approches conventionnelles pour la prédiction au bilan initial de la survie sans progression des patients atteints de MM. * Permet de séparer deux classes de patients (bon/mauvais pronostic). * Permet de déterminer les paramètres clinico-biologiques et par imagerie les plus prédictifs de la progression. * Par la suite, plus de patients et de paramètres vont être inclus avec notamment des caractéristiques radiomiques. * Cette approche peut être généralisée à d'autres pathologies. Remerciements : Ce travail a été partiellement financé par SIRIC IL-IAD et MILCOM Connect Talent.

Mots clés: Analsye de survie; Myélome multiple; Random Survival Forest

Domaines: Traitement des images [eess.IV]; Imagerie médicale; Machine Learning [stat.ML]

Ludivine Morvan, Diana Mateus, Clément Bailly, Bastien Jamet, Caroline Bode-Milin, et al.. Prédiction de la progression chez des patients atteints de myélome multiple par "Random Survival Forest". SFMN, Mar 2019, Paris, France. ⟨hal-02175296⟩