Skip to Main content Skip to Navigation
Master Thesis

Étude de l'apport de paramètres de radiomics dans le développement et la validation de modèles prédictifs de risques de pneumothorax après biopsie pulmonaire percutanée

Résumé : Objectif : évaluer l’apport de la radiomique traditionnelle et de la radiomique basée sur l'apprentissage automatique dans le développement de modèles prédictifs de pneumothorax après une biopsie pulmonaire percutanée guidée par tomodensitométrie (BP-TDM). Matériels et méthodes : tous les patients qui ont bénéficié d’une biopsie pulmonaire percutanée ont été inclus. Les facteurs de risque classiques de pneumothorax ont été recueillis (âge, sexe, taille du nodule...). Une segmentation des trajets biopsiques a été réalisée manuellement à partir de l'acquisition TDM initiale (un seul scanner et un protocole identique : voltage du tube 100 kV ; courant du tube 35mA) et les caractéristiques radiomiques ont été extraites avec un logiciel en libre-accès (Life X) selon les directives de l'IBSI. Le critère d'évaluation principal était la prédiction de survenue d’un pneumothorax immédiat sur des contrôles TDM effectués à la fin des procédures. Des modèles prédictifs ont été développés par régression logistique pour les facteurs de risque classiques et les facteurs de risque combinés classiques et radiomiques. Des modèles basés sur l'apprentissage automatique ont été développés utilisant un réseau de neurones artificiels et une forêt d’arbres décisionnels. Résultats : 559 patients ont été inclus entre janvier 2018 et mars 2021. 29% (162/559) des patients ont présenté un pneumothorax. Le test exact de Fisher a identifié des facteurs de risque significatifs : l'âge (p<0,05), la durée de la ponction (p<0,01), la position du patient (décubitus ventral ou dorsal versus décubitus latéral) (p<0,05), le trajet trans scissural (p<0,0001) et l'absence d’embolisation du trajet (p<0,0001). Par régression logistique, le meilleur modèle prenait en compte les données combinées classiques et radiomiques : AUC = 0,6494 pour la cohorte de test. La forêt d’arbres décisionnels a été le plus performant avec une précision de 0,69. Cet algorithme a identifié des paramètres prédictifs cruciaux : longueur du trajet biopsique, âge, taux d'emphysème, angle de ponction, taille du nodule et durée de ponction. Conclusion : la radiomique traditionnelle a une contribution modeste aux modèles prédictifs du pneumothorax immédiat après BP-TDM. La radiomique basée sur l'apprentissage automatique semble avoir les meilleures performances.
Complete list of metadata

https://dumas.ccsd.cnrs.fr/dumas-03408794
Contributor : Faculté de médecine AMU Connect in order to contact the contributor
Submitted on : Friday, October 29, 2021 - 12:47:14 PM
Last modification on : Thursday, December 2, 2021 - 3:32:34 AM
Long-term archiving on: : Monday, January 31, 2022 - 9:38:51 AM

File

THESE DI BISCEGLIE 12-10-2021....
Files produced by the author(s)

Identifiers

  • HAL Id : dumas-03408794, version 1

Collections

Citation

Mathieu Di Bisceglie. Étude de l'apport de paramètres de radiomics dans le développement et la validation de modèles prédictifs de risques de pneumothorax après biopsie pulmonaire percutanée. Sciences du Vivant [q-bio]. 2021. ⟨dumas-03408794⟩

Share

Metrics

Record views

18

Files downloads

8