L’ostéosarcome est la tumeur osseuse maligne la plus fréquente avant 25 ans. La réponse à la chimiothérapie néo-adjuvante influe la suite du traitement et est un facteur pronostique majeur. Il n’existe pas, actuellement, de moyens fiables de l’évaluer précocement. L’objectif de cette étude est de développer une méthode de prédiction de cette réponse à partir des données radiomiques issues de l’IRM diagnostique.

Les caractéristiques cliniques et radiologiques de patients traités pour un ostéosarcome localisé ou métastatique en région Rhône-Alpes entre 2007 et 2016 ont été recueillies. Sur les IRM initiales, chaque tumeur était segmentée par un radiologue expert puis 87 caractéristiques radiomiques étaient extraites automatiquement. Une analyse univariée était réalisée pour évaluer l’association des caractéristiques avec la réponse histologique à la chimiothérapie néo-adjuvante. Pour distinguer les bons des mauvais répondeurs, nous avons construit des modèles prédictifs basés sur des machines à vecteurs de support. Leur performance de classification était évaluée par l’aire sous la courbe sensibilité/spécificité (AUROC).

L’analyse a porté sur les examens IRM de 69 patients dont 55,1 % (38/69) étaient bons répondeurs. Le modèle de prédiction obtenu à partir des données radiomiques issues de l’IRM diagnostique obtenait une aire sous la courbe de 0,98 avec une sensibilité de 100 % (IC 95 % [100 %–100 %]) et spécificité de 86 % (IC 95 % [59,7 %–111 %]).

Les caractéristiques radiomiques de l’IRM diagnostique pourraient permettre de prédire la réponse à la chimiothérapie des patients présentant un ostéosarcome avant de débuter la chimiothérapie néo-adjuvante.

Osteosarcoma is the most common malignant bone tumor before 25 years of age. Response to neoadjuvant chemotherapy determines continuation of treatment and is also a powerful prognostic factor. There are currently no reliable ways to evaluate it early. The aim is to develop a method to predict the chemotherapy response using radiomics from pre-treatment MRI.

Clinical characteristics and MRI of patients treated for local or metastatic osteosarcoma were collected retrospectively in the Rhône-Alpes region, from 2007 to 2016. On initial MRI exams, each tumor was segmented by expert radiologist and 87 radiomic features were extracted automatically. Univariate analysis was performed to assess each feature's association with histological response following neoadjuvante chemotherapy. To distinguish good histological responder from poor, we built predictive models based on support vector machines. Their classification performance was assessed with the area under operating characteristic curve receiver (AUROC) from test data.

The analysis focused on the MRIs of 69 patients, 55.1% (38/69) of whom were good histological responders. The model obtained by support vector machines from initial MRI radiomic data had an AUROC of 0.98, a sensitivity of 100% (IC 95% [100%–100%]) and specificity of 86% (IC 95% [59.7%–111%]).

Radiomic based on MRI data would predict the chemotherapy response before treatment initiation, in patients treated for osteosarcoma.