Optimization of the Prediction of Complete Response to Neoadjuvant Chemotherapy in Breast Cancer by Breast MRI : Contributions of Semantic Descriptors, Radiomics, and Segmentation Methods
Optimisation de la prédiction de la réponse complète à la chimiothérapie néoadjuvante des cancers du sein par IRM mammaire : apports des descripteurs sémantiques, radiomiques, et des méthodes de segmentation
Résumé
Neoadjuvant chemotherapy (NAC) has become a cornerstone therapeutic strategy for aggressive and locally advanced breast cancers. Achieving a pathologic complete response (pCR), defined as the absence of residual tumour in both breast and axilla, is associated with improved survival, particularly in triple-negative and HER2-positive breast cancers. This approach allows treatment adjustment according to the tumour response, with escalation therapies shown to enhance survival in patients with incomplete response. Targeted axillary dissection and sentinel lymph node biopsy have emerged as alternatives to axillary lymph node dissection for patients achieving nodal response at the end of NAC. European guidelines currently restrict axillary surgical de-escalation to early-stage, pre-treatment nodal involvement, emphasizing the need for reliable predictive models to guide surgical strategies. MRI plays a critical role in initial assessment for selecting candidates for NAC and evaluating tumour response. This thesis aimed to identify robust and reproducible MRI-based predictors of tumour response that are applicable in clinical practice. Moreover, extracting quantitative MRI data requires precise segmentation of breast tumours, which is labour-intensive and subject to inter-radiologist variability, highlighting the need for automated solutions. Recent advances in deep learning, particularly convolutional neural networks (CNNs), have spurred interest in automated 3D tumour segmentation.Using a database of NAC-treated patients evaluated by MRI, we investigated parameters associated with both pCR and nodal response based on semantic criteria assessed on initial MRI, employing random forest algorithms.We demonstrated that non-spiculated margins and multifocality are independent predictors of tumour response, after adjusting for histomolecular subtype, TILs expression, and T stage of the TNM classification.For patients with initial nodal involvement, we developed a multivariable model to predict complete nodal response, using tumour subtype, KI-67 expression, tumour depth in the breast, intratumoral T2 signal, and initial nodal thickness on ultrasound. Breast cancer patients presenting with anterior tumours, no intratumoral high signal intensity on T2-weighted sequences, and initial nodal cortical thickening greater than 7 mm exhibited a higher risk of residual axillary disease post-NAC. In the training and test sets, the model, available online, achieved AUCs under ROC curves of 0.860 (95% CI: 0.783-0.936) and 0.843 (95% CI: 0.714-0.971), respectively.To identify reproducible MRI radiomic parameters, we developed a processing pipeline to harmonize radiomic indices across three MRI acquisition protocols using the ComBat method.Subsequently, we implemented a deep learning-based automated tumour segmentation method combining T1-weighted contrast-enhanced and subtraction images, to reduce radiologists' workload and improve robustness. We further evaluated the impact of additional MRI data acquired mid-treatment on the algorithm's performance. Using "no-new-Net" (nnU-Net) neural networks, we simplified pre-processing by eliminating the need for image cropping.
La chimiothérapie néoadjuvante (CNA) est une stratégie thérapeutique devenue centrale pour les cancers du sein agressifs et localement avancés. L'obtention d'une réponse pathologique complète (pCR), définie comme une réponse tumorale complète au niveau du sein et de l'aisselle est associée à une amélioration de la survie, notamment dans les cancers du sein de type triple négatif et HER2-positif. Cette stratégie permet d’adapter la prise en charge à la réponse tumorale, les traitements d’escalade permettant une amélioration de la survie des patientes en réponse incomplète. La dissection axillaire ciblée et l'optimisation de la biopsie du ganglion sentinelle sont des alternatives au curage axillaire pour les patientes en réponse ganglionnaire en fin de CNA. Les recommandations européennes limitent actuellement la désescalade de la chirurgie axillaire aux stades précoces avant traitement, soulignant la nécessité de modèles prédictifs fiables pour guider la stratégie chirurgicale. L’IRM joue un rôle majeur dans le bilan initial pour la sélection des patientes éligibles à la CNA et l’évaluation de la réponse tumorale. L’objectif de ce travail de thèse a été de rechercher des prédicteurs IRM de la réponse tumorale, utilisables en pratique clinique de manière robuste et reproductible. D’autre part, l’extraction de données quantitatives en IRM nécessite une segmentation précise des tumeurs mammaires, ce qui est laborieux et sujet à une variabilité entre radiologues. Les progrès récents en apprentissage profond, en particulier des réseaux neuronaux convolutifs, ont permis d’envisager une segmentation automatisée des tumeurs en 3D. A partir d’une base de données de patientes traitées par CNA et évaluées par IRM, nous avons évalué les paramètres associés à la réponse pathologique complète et ganglionnaire, à partir de critères sémantiques évalués sur l’IRM initiale, au moyen de forêts d’arbres aléatoires. Nous avons montré que les contours non-spiculés et la multifocalité sont des prédicteurs indépendants de la réponse tumorale, après ajustement sur la classe histomoléculaire, l'expression des TILs (Tumor-Infiltrating Lymphocytes) et le stade T du TNM. D’autre part, pour les patientes avec une atteinte ganglionnaire initiale, nous avons développé un modèle multivarié de prédiction de la réponse ganglionnaire complète à partir du sous-type tumoral, de l’expression du KI-67, de la profondeur de l’atteinte tumorale dans le sein, du signal T2 intratumoral et de l’atteinte ganglionnaire initiale à l’échographie. Les patientes atteintes de cancer du sein présentant des tumeurs antérieures, sans hypersignal intra tumoral sur les séquences T2 et un épaississement cortical des ganglions lymphatiques supérieur à 7 mm à l’échographie initiale ont un risque accru de maladie axillaire résiduelle après CNA. Dans les ensembles d'entraînement et de test, le modèle, disponible en ligne, a obtenu des aires sous courbes ROC de 0,860 (IC 95% : 0,783-0,936) et 0,843 (IC 95% : 0,714-0,971), respectivement. Nous avons par ailleurs développé une chaine de traitement pour harmoniser les indices radiomiques issus de trois configurations d’acquisition des images IRM par la méthode ComBat. Finalement, nous avons développé une méthode de segmentation tumorale automatique par apprentissage profond utilisant la fusion d’images pondérées en T1 après contraste et d’images de soustraction, dans l’objectif de réduire la charge de travail des radiologues. Nous avons montré l’intérêt d’ajouter des données d’IRM acquises en cours de traitement pour améliorer les performances de l’algorithme. L’utilisation de réseaux de neurones "no-new-Net" (nnU-Net) a par ailleurs permis de simplifier le prétraitement en supprimant la phase de recadrage des images.
| Origine | Version validée par le jury (STAR) |
|---|