IMAGE CLASSIFICATION OF GLIOMAS USING MACHINE LEARNING: A RADIOMICS APPROACH

Abstract

Les gliomes sont les tumeurs cérébrales primaires les plus fréquentes, avec une histologie et profils génomique hétérogènes. Elles sont classifiées a des tumeurs bénignes et malignes selon leur grade de I à IV. Cette étude vise à appliquer différents outils d'apprentissage automatique pour le classement et la classification des gliomes en mettant l'accent sur l'approche radiomique dans l'imagerie par résonance magnétique cérébrale des adultes humains. Expérimentalement in silico, nous avons performé différents modèles d'apprentissage automatique pour la classification des gliomes. La performance a été mesurée à travers plusieurs paramètres, principalement le taux de précision et l'aire sous la courbe (AUC) de la caractéristique de fonctionnement du récepteur (ROC). Les données d'imagerie ont été obtenues de The Cancer Imaging Archive (TCIA), en relation avec des patients de The Cancer Genome Atlas (TCGA), correspondant à des images IRM cérébrales de patients diagnostiqués avec un gliome. Notre approche et les modèles d'apprentissage automatique appliqués ont réussi à classifier correctement les images RM de différents grades de gliomes et à atteindre des taux de précision élevés sur l'ensemble de données de validation. En conclusion, l'apprentissage automatique est un outil prometteur émergent pour aider au diagnostic ainsi qu'à la prédiction du pronostic clinique des gliomes, contribuant ainsi à la transition vers une ère de médecine de précision dans les soins de santé."