L'ombre du cancer sur une image nette express
Le TEP/TDM, c'est comme une carte où les cellules cancéreuses brillent comme des points lumineux. Mais que faire si la carte est vide alors que la maladie se cache quelque part ? Chez 132 hommes présentant une récidive du cancer de la prostate, les médecins n'ont trouvé aucun foyer lumineux, mais ils ont décidé d'étudier la texture même de l'image — comme un forestier expérimenté remarque l'herbe foulée là où un animal est passé.
Il s'est avéré que même sans taches brillantes, la texture des tissus dans les organes où le cancer aime se propager (os, ganglions lymphatiques) diffère chez ceux dont la maladie a ensuite progressé. L'analyse informatique de ces motifs subtils — la radiomique — combinée aux analyses habituelles donne un pronostic plus précis que les anciennes méthodes : la probabilité de prédire l'évolution de la maladie est passée de 65 à 74 pour cent.
Il est important que la méthode soit restée précise lorsqu'elle a été testée sur des images provenant d'un autre hôpital. Cela signifie que ce n'est pas une particularité d'un appareil ou d'un médecin. Cette approche pourrait aider à identifier plus tôt les patients qui nécessitent une surveillance ou un traitement plus attentif, même si l'image standard semble rassurante.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2603.19368
In patients with biochemical recurrence of prostate cancer and negative PSMA PET/CT, radiomics features extracted from recurrence-prone organs can predict clinical progression and progression-free survival. In a cohort of 132 patients, combining PET/CT radiomics with clinical variables significantly improved prognostic performance (C-index 0.74 vs. 0.65). Model performance was influenced by reader diagnostic certainty and remained robust on external validation. These findings suggest that radiomics from visually negative scans capture subclinical disease and provide added value for risk stratification.
Le terme « radiomique » n'est apparu qu'en 2012, mais déjà les algorithmes détectent sur les images des signes de maladies invisibles même pour un radiologue expérimenté.