Les corticosurrénalomes sont des cancers agressifs de pronostic hétérogène. La classification moléculaire “C1A” (signature stéroïde et prolifération) ou “C1B” (signature immune) améliore l’évaluation pronostique. Aujourd’hui ces deux types de corticosurrénalome ne peuvent être distingués que par l’analyse moléculaire mais celle-ci n’est pas encore implémentée en routine.

L’objectif de cette étude est de prédire la classification moléculaire des corticosurrénalomes à partir de l’analyse d’images histologiques par deep learning.

Nous avons utilisé des algorithmes de deep learning sur des images histologiques numérisées en coloration standard dans 2 cohortes indépendantes de patients - Cochin (n=70, HES) et TCGA (n=54, HE) – annotées pour la classification moléculaire.

La performance des algorithmes a été évaluée par validation croisée à différents grossissements de 2,5x à 40x. Les régions des images les plus associées à la classification moléculaire ont été extraites et examinées par des pathologistes experts en pathologie surrénalienne.

L’analyse d’images histologiques par deep learning prédit la classification moléculaire avec une aire sous la courbe ROC de 0,74 dans la cohorte Cochin et de 0,80 dans la cohorte TCGA, et permet d’identifier des aspects morphologiques associés à “C1A” et “C1B”.

Dans les deux cohortes, la classification basée sur le deep learning s’associe à la survie sans récidive (Logrank p=0,04 et p=0,002) et à la survie globale (Logrank p=0,007 et p=0,0002).

La classification moléculaire pronostique des corticosurrénalomes peut être prédite sur des images histologiques en coloration standard. La découverte de critères morphologiques associés à cette classification pourrait améliorer l’évaluation histopronostique.