Un réseau de neurones artificiels

Rapports scientifiques volume 13, Numéro d'article : 8673 (2023) Citer cet article

262 accès

2 Altmétrique

Détails des métriques

La radiothérapie est bénéfique pour les patients atteints d'un carcinome épidermoïde avancé de l'œsophage (ESCC) en termes de soulagement des symptômes et de survie à long terme. En revanche, une proportion importante de patients ESCC n'ont pas bénéficié de radiothérapie. Cette étude visait à établir et à valider un modèle radiomique basé sur un réseau de neurones artificiels pour la prédiction avant traitement de la réponse à la radiothérapie des ESCC avancés en utilisant des données intégrées combinées à des caractéristiques de base réalisables de la tomodensitométrie. Un total de 248 patients atteints d'ESCC avancé qui ont subi une TDM de base et reçu une radiothérapie ont été inscrits dans cette étude et ont été analysés par deux types de modèles radiomiques, l'apprentissage automatique et l'apprentissage en profondeur. En conséquence, l'Att. Le modèle de réseau pré-entraîné Resnet50 a indiqué des performances supérieures, avec des ASC de 0,876, 0,802 et 0,732 dans les cohortes d'entraînement, de validation interne et de validation externe, respectivement. De même, notre Att. Le modèle de réseau pré-entraîné Resnet50 a montré un excellent étalonnage et un bénéfice clinique significatif selon l'indice C et l'analyse de la courbe de décision. Ici, un nouveau modèle radiomique de prétraitement a été établi sur la base de méthodes d'apprentissage en profondeur et pourrait être utilisé pour la prédiction de la réponse à la radiothérapie chez les patients ESCC avancés, fournissant ainsi des preuves fiables pour la prise de décision thérapeutique.

Le cancer de l'œsophage (CE) est l'un des sous-types mortels de tumeurs malignes et présente le septième taux de mortalité le plus élevé parmi tous les sous-types1. Pour l'Asie, le carcinome épidermoïde est le principal sous-type pathologique de CE. La chirurgie radicale et la chimioradiothérapie sont des traitements cruciaux pour les patients atteints de carcinome épidermoïde de l'œsophage (ESCC)2. La radiothérapie radicale est recommandée comme traitement de choix du carcinome œsophagien cervical et thoracique moyen situé en position haute et difficile à réséquer complètement par chirurgie. Pour les ESCC avancés non résécables, la chimiothérapie et la radiothérapie sont toujours nécessaires pour soulager les symptômes et prolonger la survie3,4,5.

Néanmoins, la sensibilité à la radiothérapie varie selon les patients6, entraînant des différences significatives dans la réponse au traitement. Les événements indésirables et les effets secondaires sont plus susceptibles d'être observés chez les patients atteints d'ESCC résistant aux radiations7,8. À cette fin, une approche pratique et non invasive qui peut estimer la radiothérapie précisément avant la mise en œuvre du traitement doit être explorée chez les patients ESCC.

Au cours des dernières décennies, la classification générale du contraste œsophagien (type médullaire, type fongique, type constrictif et type ulcératif) pour prédire la réponse à la radiothérapie a été largement utilisée dans le travail clinique9,10. Cependant, cette prédiction est entièrement basée sur une évaluation empirique par des radiologues, ce qui entraîne des différences entre les réponses réelles au traitement. Sinon, les biomarqueurs moléculaires liés à la sensibilité à la radiothérapie n'ont pas été validés de manière prospective pour une utilisation clinique de routine. Des études récentes ont indiqué que la radiomique basée sur l'intelligence artificielle (IA) peut extraire des biomarqueurs de biopsie virtuelle radiographique non invasifs, fournissant efficacement des informations prédictives pour la réponse au traitement11,12. Lu et al.13 ont découvert que le modèle basé sur l'apprentissage en profondeur présentait une grande précision dans l'identification des origines des cancers primitifs inconnus. Zhong14 a indiqué que les caractéristiques radiomiques basées sur l'imagerie par résonance magnétique multiparamétrique (mp-MRI) pourraient être considérées comme des facteurs pronostiques chez les patients atteints d'un cancer localisé de la prostate après radiothérapie. Gao15 a montré que les signatures radiomiques basées sur les IRM longitudinales pondérées en diffusion pouvaient être utilisées pour estimer les effets de la radiothérapie en préopératoire. Zhu16 a rapporté qu'un modèle de nomogramme basé sur des signatures radiomiques d'imagerie par tomodensitométrie (TDM) et des facteurs cliniques a montré une sensibilité et une spécificité appropriées pour estimer le risque de récidive locale du carcinome du nasopharynx (NPC) après radiothérapie à modulation d'intensité (IMRT).

Des études radiomiques antérieures ont rapporté que les caractéristiques radiomiques amélioraient considérablement l'évaluation de la réponse pathologique complète après une chimioradiothérapie néoadjuvante chez les patients EC17. Cependant, peu d'études pertinentes basées sur la radiomique pour prédire la réponse de la radiothérapie dans les ESCC ont été rapportées. Ici, dans cette étude, une grande cohorte de 248 patients atteints d'ESCC a été utilisée pour développer un nouveau modèle de signature radiomique basé sur la tomodensitométrie par un algorithme d'apprentissage en profondeur pour valider leur performance dans la prédiction de la réponse à la radiothérapie.

Informations de base et données d'imagerie, y compris les données démographiques, les données cliniques, les résultats pathologiques des biopsies avant le traitement, les données d'imagerie pré et postopératoires et les dossiers chirurgicaux, des patients atteints d'ESCC qui ont subi une radiothérapie à l'établissement 1 (le premier hôpital affilié de Xi'an Jiaotong University) de 2013 à 2019 ont été collectées et analysées. De plus, nous avons également récupéré et collecté les mêmes données connexes auprès de patients atteints d'ESCC qui ont reçu une radiothérapie à l'établissement 2 (le deuxième hôpital affilié de l'université Xi'an Jiaotong) de 2017 à 2019. Tous les patients ont subi un examen CT au moment du positionnement avant le début de leur radiothérapie, et les données CT ont été recueillies rétrospectivement de 2021 à 2022. Les principaux critères d'inclusion étaient les suivants : (1) ESCC diagnostiquée par biopsie ; (2) ESCC avancé cliniquement diagnostiqué par CT et imagerie de contraste ; (3) a subi une radiothérapie radicale complète (et n'a pas abandonné pendant le traitement); et (4) les données d'imagerie pré- et post-radiothérapie ont été enregistrées après le même établissement. Les principaux critères d'exclusion étaient les suivants : (1) pas de biopsie ni de confirmation pathologique ; (2) aucune intervention chirurgicale ou plus de deux semaines de chimiothérapie adjuvante avant la radiothérapie ; et (3) aucun réexamen des données d'imagerie après la radiothérapie. Les classifications générales de tous les patients étaient basées sur les directives chinoises du CSCO18. Nous avons utilisé la norme de stadification clinique pour le cancer de l'œsophage non opératoire (ébauche) pour le classement des tumeurs19. Un consentement éclairé écrit a été obtenu de tous les patients de cette étude. Toutes les méthodes entreprises dans ce travail ont été réalisées conformément aux directives et réglementations en vigueur. Toutes les informations cliniques des patients ont été inscrites consécutivement et le comité d'éthique de l'Université Xi'an Jiaotong a approuvé cette étude.

Vingt pour cent des patients de l'établissement 1 ont été sélectionnés au hasard pour la cohorte de validation interne, et le reste des patients de l'établissement 1 ont été regroupés dans la cohorte de formation. Les patients de l'établissement 2 ont été choisis comme cohorte de validation externe. Le flux expérimental détaillé est illustré à la Fig. 1.

Organigramme illustrant les étapes de développement du modèle de prédiction de la sensibilité radiomique, qui comprend la catégorisation des patients, la délimitation du retour sur investissement du volume tumoral, la sélection du modèle et l'analyse des résultats. Cet organigramme montre la supériorité du modèle de réseau de neurones dans l'aspect de bout en bout. Les résultats de prédiction peuvent être obtenus directement sans les étapes fastidieuses d'extraction de caractéristiques de l'apprentissage automatique. Dans les applications pratiques, les performances de généralisation du modèle de réseau neuronal sont également meilleures.

Tous les patients de notre recherche ont accepté la localisation par le localisateur Brilliance CT (Philps, UK) avant la radiothérapie. Les principaux paramètres de fonctionnement : tension du tube : 140 kV ; courant électrique du tube : 500 mA ; espacement des faisceaux : épaisseur de couche de 0,625 ; temps de rotation : 0,5 s ; matrice : 512 × 512 ; taille du détecteur : 24 mm. Les paramètres de numérisation : épaisseur de couche ≤ 5 mm ; intervalle ≤ 5 mm.

Avant la numérisation du scanner, deux technologues en radiothérapie et des médecins devaient accompagner les patients. Tous les patients devaient être à jeun pendant 4 à 6 h avant le scanner et boire 0,5 L d'eau pendant le scanner pour dilater au maximum l'œsophage. Tous les patients ont été invités à retenir leur respiration pendant l'utilisation de l'appareil de tomodensitométrie en spirale multicouche pour scanner en continu la poitrine. La plage de balayage partait du bord supérieur de la fosse sus-claviculaire 5 cm au-dessus, jusqu'au niveau de la 1ère vertèbre lombaire. Ensuite, les données de tomodensitométrie ont été transmises au poste de travail pour reconstruction.

Tous les patients de cette étude ont reçu une radiothérapie radicale, avec une dose de rayonnement allant de 60 à 66 Gy à une énergie de 6 MV, 1,8–2,0 Gy/fraction, 5 fois par semaine. Les organes à risque (OAR), y compris les poumons bilatéraux, la moelle épinière, le conduit gastrique et le cœur, ont été définis pour la protection. Les doses maximales tolérées pour les principales structures normales étaient les suivantes : moelle épinière : < 40 Gy ; coeur V40 ≤ 30%; poumons bilatéraux : V20 ≤ 28 % et V30 ≤ 20 % ; et estomac : V40 ≤ 40 %. Cependant, comme les données ont été récupérées rétrospectivement, la dose réelle de radiothérapie pour chaque patient était légèrement différente. Malgré cela, chaque plan de radiothérapie s'inscrivait dans le cadre de la dose radicale recommandée par les recommandations du NCCN20.

Des spécialistes en imagerie ont évalué les données d'imagerie des patients pour mesurer le diamètre maximal de la tumeur dans chaque plan recommandé par les directives RECIST 1.121. Ensuite, le taux de rétrécissement maximal du diamètre de la tumeur pourrait être calculé (diamètre maximal avant la radiothérapie/diamètre maximal après la radiothérapie), qui est couramment utilisé dans les travaux cliniques pour évaluer la réponse au traitement. Selon le taux maximal de réduction du diamètre tumoral pour tous les patients, nous avons sélectionné 0,5 comme seuil potentiel pour diviser les patients en deux catégories. Après expérimentation, nous avons choisi la valeur seuil optimale qui était de 0,5 comme seuil pour diviser les patients (taux de réduction tumorale supérieur à 50 % et taux de réduction tumorale inférieur à 50 %).

Les plans continus des images CT de tous les patients ont été définis par deux radiologues ayant plus de huit ans d'expérience dans la délimitation de la zone cible de radiothérapie à l'aide de Monaco 5.2. De plus, un autre radiologue avec plus de 15 ans d'expérience a vérifié la zone cible et a obtenu la zone cible finale de radiothérapie, ce qui a garanti que toute la tumeur de chaque patient était reflétée par la zone cible à partir de plans continus d'images CT. Dans cet essai, nous avons utilisé les images de la zone cible décrites pour la construction d'un modèle de réponse de radiothérapie. Afin de minimiser l'influence de la marge tumorale sur le modèle, pour chaque patient, nous avons choisi les images décrivant le mieux le site tumoral.

Les données CT patient et de délimitation cible collectées dans cette expérience sont stockées au format de fichier DICOM, et les données CT dans les fichiers DICOM sont converties en images au format PNG 2D via Python. De cette façon, nous pouvons extraire 10 à 60 tranches d'images 2D décrivant la zone cible de la tumeur de chaque patient. Ensuite, les radiologues professionnels sélectionnent les images CT 2D les plus représentatives de la tumeur (généralement des images autour du diamètre maximal de la tumeur). L'ensemble de données collecté auprès de l'institution 1 a été divisé au hasard en ensembles de validation d'ensembles de formation sur la base des patients. Les données recueillies auprès de l'établissement 2 sont distribuées au groupe de validation externe.

Dans les expériences d'apprentissage automatique, les images CT 2D sont transformées en vecteurs de caractéristiques par extraction de caractéristiques et des expériences ultérieures sont menées. Dans les réseaux de neurones artificiels, nous avons appliqué des méthodes d'augmentation des données telles que la rotation, le retournement, le zoom et la distorsion aux images CT. Grâce à l'augmentation des données, l'ensemble de données d'images CT est passé à 6000. Et les images CT 2D ont été l'entrée directe des modèles de réseaux de neurones artificiels.

Dans cette étude, les patients de l'établissement un (cohorte de formation et cohorte interne) ont été utilisés pour construire et vérifier le modèle de classification. Les caractéristiques radiomiques des images CT ont été extraites à l'aide du logiciel d'extraction d'images PyRadiomics version 3.0. Un total de 102 caractéristiques 2D ont été extraites de chaque patient, y compris le premier ordre, la forme 2D, la matrice de cooccurrence de niveau de gris (GLCM), la matrice de longueur de plage de niveau de gris (GLRLM), la matrice de zone de taille de niveau de gris (GLSZM), les tons de gris voisins caractéristiques de la matrice de différence (NGTDM) et de la matrice de dépendance du niveau de gris (GLDM)22. De plus, nous avons regroupé les caractéristiques corrélées (> 0, 8) par l'algorithme du coefficient de corrélation de Pearson, et les caractéristiques les moins prédictives du même groupe ont été ignorées dans l'algorithme de sélection des caractéristiques (Fig. S1 supplémentaire). L'algorithme de forêt aléatoire a été utilisé pour diminuer les dimensions des données et sélectionner les caractéristiques les plus prédictives23. La formule et l'explication de l'algorithme de sélection des fonctionnalités sont les suivantes :

dans laquelle X représente la caractéristique, \({\mathrm{err}}_{\mathrm{OOB}2}\) représente l'erreur hors sac lorsque nous ajoutons du bruit à la caractéristique X et \({\mathrm{err }}_{\mathrm{OOB}1}\) représente l'erreur hors sac sans ajouter de bruit. Dix séries d'expériences avec un nombre de caractéristiques allant de un à dix ont été appliquées pour déterminer le nombre optimal de caractéristiques pour le modèle. Par conséquent, les cinq caractéristiques les plus prédictives ont été sélectionnées pour former le classifieur et ont obtenu les meilleures performances. Pendant ce temps, plusieurs classificateurs ont été testés dans cette étude, y compris la machine à vecteurs de support (SVM) avec noyau linéaire, la SVM avec le modèle de régression linéaire du noyau à base radiale24,25, le modèle de régression linéaire26 et la forêt aléatoire. Après avoir comparé les AUC des classificateurs, nous avons sélectionné l'algorithme de forêt aléatoire car il surpassait tous les autres classificateurs.

Dans cette étude, les patients de l'institution 1 ont été utilisés pour constituer la cohorte de formation et la cohorte de validation interne, et les patients de l'institution 2 ont été utilisés pour constituer la cohorte de validation externe afin de vérifier l'efficacité de la généralisation.

Le modèle CNN s'est avéré très efficace dans le domaine de la classification d'images27,28,29. Les modèles CNN de bout en bout fournissent des résultats de prédiction précis sans extractions de caractéristiques d'image supplémentaires, ce qui améliore considérablement l'efficacité du modèle. Dans cette étude, plusieurs réseaux de neurones ont été utilisés pour classer les images CT des patients. Le taux d'apprentissage du modèle a été fixé à 0,0005, et l'optimiseur de propriété quadratique moyenne (RMSprop) a été utilisé. Pendant ce temps, nous avons utilisé l'entropie croisée binaire comme fonction de perte du mode ; la formule est la suivante :

dans laquelle yi représente l'étiquette de chaque image, \(\mathrm{p}({\mathrm{y}}_{\mathrm{i}})\) représente la probabilité que l'image soit positive et \(\mathrm{ q}\) représente la distribution réelle. De plus, pour éviter les problèmes de surajustement, nous avons appliqué une couche de décrochage et défini le taux de décrochage à 0,2 (en ignorant au hasard 20 % des neurones). Enfin, une couche sigmoïde a été appliquée au modèle avant la couche de sortie pour normaliser les sorties. La fonction sigmoïde est définie comme suit :

La taille du lot a été définie sur 16 et a obtenu les meilleures performances parmi les autres tailles. En entraînant le modèle de réseau de neurones, les statistiques de probabilité de sensibilité à la radiothérapie des patients ont finalement été obtenues (une probabilité supérieure à 0,5 est sensible et une probabilité inférieure à 0,5 est résistante). La structure détaillée des modèles de réseaux de neurones est illustrée à la Fig. 2a.

(a) Modèle CNN composé de deux couches de convolution avec une taille de noyau de 3*3. Chaque couche convolutive suit les fonctions ReLU et max-pooling. La fonction d'abandon peut considérablement prévenir les problèmes de surajustement du modèle. (b) Le modèle pré-entraîné a été principalement construit avec ResNet50 pré-entraîné d'ImageNet, et la couche d'attention du canal a utilisé à la fois la mise en commun maximale et la mise en commun moyenne pour calculer la carte des caractéristiques d'attention du canal.

Diverses recherches sur les réseaux de neurones pré-entraînés ont montré des performances de pointe dans les tâches de classification d'images30,31. Pendant ce temps, le mécanisme d'attention du canal s'est avéré efficace pour améliorer les performances des modèles d'apprentissage en profondeur. Dans cette étude, un ResNet50 préformé (formé sur ImageNet de Keras) avec une couche d'attention de canal a été appliqué32,33,34. La couche d'attention des canaux a été appliquée pour capturer les canaux les plus critiques à partir de la sortie du modèle ; la formule de la fonction est la suivante :

dans laquelle \(\mathrm{MLP}\) représente le perceptron multicouche et \(\mathrm{F}\) représente les entrées. Le taux d'apprentissage a été fixé à 0,01 et l'optimiseur Adam a été utilisé. La fonction de perte dans ces expériences était également une entropie croisée binaire. Pendant ce temps, le taux d'abandon de la couche d'abandon a été fixé à 0,5. Après plusieurs expériences, la taille du lot a été fixée à 32 et a obtenu les meilleures performances. Le modèle pré-entraîné a surpassé toutes les autres méthodes que nous avons appliquées dans cette étude. Le classificateur optimal avec la meilleure AUC a été utilisé pour une exploration plus approfondie. La structure détaillée des modèles de réseaux de neurones est illustrée à la Fig. 2b.

Lors de l'évaluation des performances prédictives de chaque modèle, nous utilisons l'aire sous la courbe ROC (valeur AUC) pour mesurer la précision de chaque modèle prédictif. Cependant, l'aire sous la courbe ROC ne peut pas prendre en compte la praticabilité clinique du modèle de prédiction. Par conséquent, nous utilisons la courbe de décision pour évaluer davantage chaque modèle. La courbe de décision intègre les préférences des décideurs dans l'analyse et peut réellement évaluer le bénéfice en pratique clinique après l'utilisation de cette méthode. Ainsi, il répond aux besoins réels de la prise de décision clinique et est de plus en plus utilisé dans l'analyse clinique35

Nous avons utilisé le logiciel statistique SPSS version 18 pour calculer les différences significatives par le test X2 ou le test exact de Fisher pour les variables catégorielles. Un P bilatéral < 0,05 était considéré comme statistiquement significatif. L'analyse d'association de la logistique univariée a également été calculée par le logiciel statistique SPSS version 18. La courbe d'étalonnage et la courbe de décision ont été réalisées pour tester les performances d'étalonnage et l'utilité clinique35. Le logiciel Python version 3.8 (Python) a été utilisé pour la représentation graphique.

Notre étude a inclus 248 patients ESCC, dont 154 (62,1%) patients dans la cohorte de formation, 45 (18,1%) dans la cohorte de validation interne et 49 (19,8%) dans la cohorte de validation externe. Les caractéristiques cliniques des patients des trois cohortes sont résumées dans le tableau 1. L'âge moyen (ET) des cohortes de formation, de validation interne et de validation externe était de 69,36 ans. L'ensemble de la cohorte comprenait 245 patients (98,8 %) qui avaient reçu un diagnostic de CESC de stade clinique III au moment du traitement. La cohorte de formation comprenait 62 répondeurs et 92 non-répondeurs, la cohorte de validation interne comprenait 14 répondeurs et 31 non-répondeurs, et la cohorte de validation externe comprenait 18 répondeurs et 31 non-répondeurs. Il n'y avait aucune différence statistiquement significative dans le sex-ratio, le stade clinique, la localisation de la tumeur, le type général ou la consommation de tabac pendant la radiothérapie entre les répondeurs et les non-répondeurs dans les cohortes de formation, de validation interne et de validation externe (Tableau 1).

L'analyse des caractéristiques des patients par régression logistique univariée n'a montré aucune association avec la réponse à la radiothérapie, y compris le sexe, l'âge, le diamètre maximal de la tumeur avant la radiothérapie, le stade clinique de la tumeur, le stade clinique du ganglion, le stade clinique métastatique, le stade clinique, le type général, la localisation de la tumeur, l'alcool consommation et consommation de tabac dans chaque cohorte (P > 0,05) (tableau supplémentaire S1).

Quatre classificateurs d'apprentissage automatique ont été utilisés pour construire des modèles radiomiques, y compris la régression linéaire, SVM avec noyau linéaire, SVM avec noyau à base radiale et des modèles de forêt aléatoire. Les dix caractéristiques les plus prédictives identifiées par l'algorithme de forêt aléatoire ont été sélectionnées pour former le classifieur. Par rapport aux résultats de performance de chaque classificateur, le modèle de forêt aléatoire a montré les ASC les plus élevées dans les cohortes de formation et de validation interne, qui étaient de 0,767 (IC à 95 %, 0,734-0,790) et 0,594 (IC à 95 %, 0,562-0,631), respectivement. . Le SVM avec un noyau linéaire a atteint une AUC de 0,561 (IC à 95 %, 0,530 à 0,594) dans la cohorte de validation interne, tandis que le SVM avec un modèle de noyau à base radiale a atteint une AUC de 0,539 (IC à 95 %, 0,510 à 0,564) dans la cohorte de validation interne. la cohorte interne. L'ASC du modèle de régression linéaire dans la cohorte de validation interne était de 0, 589 (IC à 95%, 0, 561 à 0, 646) (Fig. S3a – c supplémentaire). Ensuite, pour comparer les performances du modèle de caractéristiques combinées avec le modèle de caractéristiques indépendant, nous avons utilisé les cinq caractéristiques les plus prédictives du modèle combiné pour former le modèle individuellement par forêt aléatoire. Les performances de chaque caractéristique indépendante dans le modèle radiomics ont montré une AUC inférieure à celle des caractéristiques combinées dans le même modèle radiomics (Fig. 3a et b, tableau supplémentaire S2).

( a, b ) Les courbes caractéristiques de fonctionnement du récepteur du modèle de forêt aléatoire des signatures radiomiques dans la cohorte primaire et la cohorte interne. La ligne rouge épaisse illustre la courbe ROC du modèle de forêt aléatoire utilisant les 10 principales caractéristiques, tandis que les autres lignes représentent les modèles de forêt aléatoire utilisant les 5 principales caractéristiques séparément.

Le modèle de radiomique d'apprentissage en profondeur construit à partir de ResNet50 pré-entraîné et le mécanisme d'attention du canal ont surpassé toutes les autres méthodes pour prédire la réponse à la radiothérapie. Le modèle a atteint des ASC de 0 0,876 (IC à 95 % 0,853-0,895), 0,802 (IC à 95 % 0,775-0,837) et 0,732 (IC à 95 % 0,672-0,797) dans les cohortes primaires, internes et externes, tandis que le modèle entraîné par un CNN à partir de zéro a atteint des ASC de 0,805 (IC à 95 % 0,774-0,830), 0,770 (IC à 95 % 0,729-0,802) et 0,678 (IC à 95 % 0,619-0,738), respectivement (Fig. 4a-c). Ce résultat indiquait que les caractéristiques de la TDM étaient réalisables pour construire un modèle de radiomique pronostique fiable. En comparant les performances des modèles de radiomique d'apprentissage automatique, les modèles de radiomique CNN ont montré des ASC plus élevées dans les trois cohortes, ce qui a révélé que les modèles de radiomique d'apprentissage en profondeur, sans réduire les dimensions des données et supprimer les fonctionnalités redondantes, amélioraient les performances du modèle de radiomique. Le processus de réduction de la dimensionnalité des caractéristiques radiomics peut conduire à un manque d'informations de perspective.

(a, b) et (c), courbes caractéristiques de fonctionnement du récepteur des signatures radiomiques dans la cohorte primaire (a), la cohorte interne (b) et la cohorte externe (c), qui illustrent la comparaison entre Att. réseau pré-entraîné et modèle CNN. D et E, courbe de décision de Att. Modèle pré-entraîné (d) et modèle CNN (e). La ligne marron représente tous les patients qui ont répondu à la radiothérapie, tandis que la ligne pointillée bleu marine représente les patients qui n'ont pas répondu à la radiothérapie. (f), Le graphique illustre l'étalonnage de la signature radiomique dans Att. Modèle préformé. La ligne pointillée indique le modèle idéal. La ligne orange représente la courbe d'étalonnage de la cohorte primaire et la ligne bleue représente la cohorte interne.

Pour estimer la stabilité prédictive des modèles radiomiques et évaluer les avantages dans les applications cliniques, des courbes de décision et une courbe d'étalonnage ont été utilisées pour évaluer les performances de deux modèles de réseaux de neurones. Les courbes de décision ont montré qu'avec la prise en compte des préférences de décision, en utilisant Att. Le modèle préformé obtiendra plus d'avantages que l'utilisation du modèle CNN dans la pratique clinique (Fig. 4d, e). Une courbe d'étalonnage a été appliquée au modèle ResNet50 pré-entraîné dans les cohortes primaires et internes (Fig. 4f), qui a montré un degré élevé d'accord entre les résultats prédits et réels du modèle.

La radiothérapie est considérée comme l'un des traitements les plus cruciaux pour les patients ESCC36. La construction de modèles de prédiction de la réponse à la radiothérapie est significativement instructive pour un traitement individualisé de précision37. Ce qui rend difficile la prédiction de la réponse aux rayonnements dans l'ESCC est le manque de marqueurs moléculaires prédictifs de la sensibilité aux rayonnements38. De plus, les caractéristiques cliniques traditionnelles et le type général d'ESCC ont montré une corrélation limitée avec la réponse à la radiothérapie. Ainsi, un modèle disponible qui peut prédire efficacement la réponse à la radiothérapie chez les patients atteints d'ESCC doit être développé. Récemment, des modèles de signature radiomique basés sur l'IA ont été appliqués à différents domaines et ont montré des performances incroyables pour prédire la réponse à la radiothérapie39,40,41,42,43. Ici, nous avons cherché à concevoir un modèle de radiomique basé sur la tomodensitométrie pour la prédiction de la réponse à la radiothérapie chez les patients atteints d'ESCC, qui peut couvrir la pénurie de marqueurs moléculaires prédictifs.

Les modèles d'apprentissage par usinage et d'apprentissage en profondeur ont été largement utilisés dans la recherche en radiomique44,45,46. Dans une étude précédente, les algorithmes d'apprentissage d'usinage traditionnels, tels que la forêt aléatoire et le SVM, étaient mentionnés plus fréquemment que les algorithmes d'apprentissage en profondeur en raison de la limitation de la population de cohortes17,47. De plus, des algorithmes de bout en bout en apprentissage profond ont commencé à être utilisés dans la recherche sur le cancer ces dernières années, non seulement en utilisant des images radiographiques mais aussi en utilisant des images histopathologiques48,49. Le dépistage de la reproductibilité des caractéristiques, qui est considéré comme un élément indispensable pour réduire le surajustement des modèles radiomiques traditionnels d'apprentissage automatique, semble améliorer les performances du modèle radiomique. En revanche, les algorithmes de bout en bout n'ont pas besoin de réduire la dimensionnalité et visent à tirer pleinement parti de toutes les informations d'image pour tirer des conclusions50. Cependant, la supériorité de ces deux types d'algorithmes n'a pas été comparée pour prédire la réponse à la radiothérapie. Pour déterminer lequel de ces deux algorithmes peut construire un modèle radiomique plus efficace, dans notre étude, les deux algorithmes ont été utilisés pour construire des modèles radiomiques dans les mêmes cohortes de patients ESCC. Les résultats impliquaient que, que ce soit dans les cohortes de formation, de validation interne ou de validation externe, le modèle radiomique construit par l'algorithme d'apprentissage en profondeur de bout en bout présentait de meilleures performances. Cela suggère que les algorithmes d'apprentissage en profondeur de bout en bout devraient recevoir plus d'attention dans les études radiomiques ultérieures. De plus, le modèle CNN à partir de zéro et le modèle pré-entraîné CNN ont également été comparés dans nos études. Bien que l'utilisation de modèles de réseaux de neurones pré-entraînés soit devenue un choix de plus en plus courant dans les recherches récentes, les modèles pré-entraînés et les modèles à partir de zéro ont rarement été comparés dans les études de radiomique51. Nos études ont montré des preuves concernant les modèles pré-entraînés. Pendant ce temps, des études récentes ont rapporté que le mécanisme d'attention du canal pourrait améliorer considérablement les performances des modèles de réseaux neuronaux. Dans notre étude, la couche d'attention du canal a considérablement amélioré la difficulté de convergence causée par un trop grand nombre de canaux dans le modèle pré-entraîné et a amélioré les performances du modèle de près de 3 % dans la cohorte de validation externe.

Récemment, les progrès de la radiogénomique ont montré que les signatures radiomiques ont des corrélations distinctes avec les modèles d'expression génique37. Les signatures radiomiques pilotées par différentes voies impliquées dans la régulation immunitaire, la prolifération tumorale, les réponses au traitement et les fonctions cellulaires expliquent davantage la base biologique de la radiomique52. Ce résultat suggère que nous pouvons refléter l'hétérogénéité intratumorale, dans une certaine mesure, en construisant un modèle radiomique. Par rapport aux caractéristiques cliniques traditionnelles, les caractéristiques radiomiques prédisent mieux la réponse au traitement à la radiothérapie. Par conséquent, nous émettons l'hypothèse que l'utilisation globale des informations d'image CT par les algorithmes de bout en bout peut refléter l'hétérogénéité de la tumeur. La différence d'extraction des informations d'image peut entraîner une divergence apparente entre ces deux algorithmes différents. Cependant, ces théories n'ont pas été élucidées par les études radiogénomiques et multiomiques.

Notre étude rétrospective s'est limitée aux discontinuités temporelles chez les patients inclus. Bien que notre étude ait minimisé les différences dans les données d'imagerie en utilisant un processus de normalisation, les différences d'équipement CT entre chaque période et institution peuvent entraîner un biais dans la collecte des données d'imagerie. À notre connaissance, cette étude est la première étude multicentrique de la radiomique chez les patients ESCC non chirurgicaux. Cependant, les deux établissements de notre étude sont situés dans la même province, et le nombre de patients est limité. Une large population de patients d'autres régions est encore nécessaire pour évaluer l'extrapolation du modèle. Enfin, notre étude n'a analysé que le phénotype radiomique 2D et les caractéristiques cliniques en raison de la limitation des cohortes, et le phénotype radiomique 3D n'a pas montré de bonnes performances dans notre modèle. Par conséquent, le phénomène de la radiomique 3D doit encore être exploré à l'étape suivante. Il est également nécessaire de combiner d'autres omiques pour révéler davantage la signification biologique de la radiomique.

Il s'agit de la première étude radiomique multicentrique à développer un Att. Modèle de réseau radiomique pré-entraîné Resnet50 chez les patients atteints d'ESCC avancé. Elle permet la prise de décision clinique, en s'appuyant non seulement sur l'expérience des médecins cliniciens mais aussi sur une base objective. La prédiction efficace de la radiothérapie offre à ces patients des options de traitement individualisées et précises raisonnables, ainsi que des approches thérapeutiques alternatives opportunes à visée curative pour prévenir tout effet secondaire inutile de la radiothérapie et améliorer la qualité de vie et les résultats de survie des patients ESCC avancés. De plus, notre étude utilise l'imagerie CT de diagnostic de routine existante, qui n'ajoute pas de charge financière supplémentaire aux patients. Dans le même temps, l'Att. Le modèle de réseau radiomique pré-entraîné Resnet50 ne nécessite pas d'extraction standardisée des signatures radiomiques, ce qui peut être plus pratique en utilisation clinique pour les oncologues afin de prédire la réponse à la radiothérapie lors du diagnostic.

Développer un Att. Le modèle de réseau radiomique pré-entraîné Resnet50 pour prédire la réponse à la radiothérapie chez les patients atteints d'ESCC avancé peut non seulement aider les oncologues à formuler rapidement des plans de radiothérapie individualisés efficaces et guider la prise de décision clinique, mais également compléter le manque de marqueurs moléculaires pour prédire la radiosensibilité. Nous espérons que notre étude pourra être incluse dans la base de données radiomique de l'ESCC et être considérée comme une étude de base de la radiomique dans l'ESCC avancé. Le modèle a le potentiel de s'appliquer à d'autres tâches de classification d'images médicales.

Les ensembles de données générés et/ou analysés au cours de l'étude en cours sont disponibles auprès de l'auteur correspondant sur demande raisonnable. Le code de notre approche complète est accessible au public sur Github (https://github.com/lqawakeme/RRAESCC).

Sung, H. et al. Statistiques mondiales sur le cancer 2020 : Estimations GLOBOCAN de l'incidence et de la mortalité dans le monde pour 36 cancers dans 185 pays. CA A Cancer J. Clin. 71, 209-249 (2021).

Article Google Scholar

Abnet, CC, Arnold, M. & Wei, W.-Q. Épidémiologie du carcinome épidermoïde de l'oesophage. Gastroentérologie 154, 360–373 (2018).

Article PubMed Google Scholar

Van Rossum, PS, Mohammad, NH, Vleggaar, FP et Van Hillegersberg, R. Traitement du cancer de l'œsophage non résécable ou métastatique : preuves et tendances actuelles. Nat. Rév. Gastroenterol. Hépatol. 15, 235-249 (2018).

Article PubMed Google Scholar

Geh, JI, Crellin, AM & Glynne-Jones, R. Chimioradiothérapie préopératoire (néoadjuvante) dans le cancer de l'œsophage. Br. J. Surg. 88, 338-356 (2002).

Article Google Scholar

Donohoe, CL & Reynolds, JV Traitement néoadjuvant du cancer localement avancé de l'œsophage et de la jonction : données probantes, questions clés actuelles et essais cliniques. J. Thorac. Dis. 9, S697–S704 (2017).

Article PubMed PubMed Central Google Scholar

Lynam-Lennon, N. et al. La fonction mitochondriale et le métabolisme énergétique altérés sont associés à un phénotype radiorésistant dans l'adénocarcinome de l'œsophage. PLoS ONE 9, e100738 (2014).

Article ADS PubMed PubMed Central Google Scholar

Jairam, V. et al. Complications liées au traitement de la thérapie systémique et de la radiothérapie. JAMA Oncol. 5, 1028-1035 (2019).

Article PubMed PubMed Central Google Scholar

Wang, X. et al. Incidence et apparition d'événements cardiaques graves après radiothérapie pour cancer de l'œsophage. J. Thorac. Oncol. 15, 1682–1690 (2020).

Article CAS PubMed PubMed Central Google Scholar

Hayano, K. et al. Biomarqueurs d'imagerie pour le traitement du cancer de l'œsophage. WJG 25, 3021–3029 (2019).

Article PubMed PubMed Central Google Scholar

Beukinga, RJ et al. Prédiction de la réponse à la chimiothérapie et à la radiothérapie néoadjuvantes avec des biomarqueurs d'imagerie TEP au 18 F-FDG de base et de restadification chez les patients atteints d'un cancer de l'œsophage. Radiologie 287, 983–992 (2018).

Article PubMed Google Scholar

Limkin, EJ et al. Promesses et défis pour la mise en œuvre de l'imagerie médicale computationnelle (radiomique) en oncologie. Anne. Oncol. 28, 1191-1206 (2017).

Article CAS PubMed Google Scholar

Derclé, L. et al. Réinventer la radiothérapie avec l'apprentissage automatique et l'imagerie des biomarqueurs (radiomique) : état de l'art, défis et perspectives. Méthodes 188, 44–60 (2021).

Article CAS PubMed Google Scholar

Lu, MY et al. La pathologie basée sur l'IA prédit les origines des cancers primitifs inconnus. Nature 594, 106-110 (2021).

Article ADS CAS PubMed Google Scholar

Zhong, Q.-Z. et coll. Radiomique de l'IRM multiparamétrique pour prédire la récidive biochimique du cancer localisé de la prostate après radiothérapie. Devant. Oncol. 10, 731 (2020).

Article PubMed PubMed Central Google Scholar

Gao, Y. et al. Prédiction de l'effet du traitement pour les patients atteints de sarcome traités par radiothérapie préopératoire à l'aide des caractéristiques radiomiques des IRM longitudinales pondérées en diffusion. Phys. Méd. Biol. 65, 175006 (2020).

Article PubMed Google Scholar

Zhu, C. et al. Un nomogramme clinique radiomique basé sur la tomodensitométrie pour prédire le risque de récidive locale après radiothérapie dans le carcinome du nasopharynx. Devant. Oncol. 11, 637687 (2021).

Article PubMed PubMed Central Google Scholar

Hu, Y. et al. Évaluation de la radiomique de tomodensitométrie intratumorale et péritumorale pour prédire la réponse pathologique complète à la chimioradiothérapie néoadjuvante chez les patients atteints d'un carcinome épidermoïde de l'œsophage. Réseau JAMA. Ouvrez 3, e2015927 (2020).

Article PubMed PubMed Central Google Scholar

Wang, F.-H. et coll. La société chinoise d'oncologie clinique (CSCO): Lignes directrices cliniques pour le diagnostic et le traitement du cancer gastrique. Cancer Commun. 39, 1–31 (2019).

Annonces d'article Google Scholar

Groupe d'experts chinois sur la stadification clinique du cancer de l'œsophage non opératoire. Norme de stadification clinique pour le cancer de l'œsophage non opératoire (ébauche). Chin J. Radiat. Oncol. 19, 179-180 (2010).

Google Scholar

Ajani, JA et al. Cancers de l'œsophage et de la jonction œsogastrique, version 2.2019, Directives de pratique clinique du NCCN en oncologie. J. Natl. Compr. Cancer Netw. 17, 855–883 (2019).

Article CAS Google Scholar

Eisenhauer, EA et al. Nouveaux critères d'évaluation de la réponse dans les tumeurs solides : guideline RECIST révisée (version 1.1). Journal européen du cancer 45, 228-247 (2009).

van Griethuysen, JJM et al. Système de radiomique computationnelle pour décoder le phénotype radiographique. Peut. Rés. 77, e104–e107 (2017).

Article Google Scholar

Saeys, Y., Abeel, T. & de Peer, YV Sélection robuste de caractéristiques à l'aide de techniques de sélection de caractéristiques d'ensemble. Dans Conférence européenne conjointe sur l'apprentissage automatique et la découverte de connaissances dans les bases de données 313–325 (Springer, 2008).

Cherkassky, V. & Ma, Y. Sélection pratique des paramètres SVM et estimation du bruit pour la régression SVM. Réseau neuronal. 17, 113–126 (2004).

Article PubMed MATH Google Scholar

Huang, S. et al. Applications de l'apprentissage par machine à vecteurs de support (SVM) en génomique du cancer. Génome du cancer. Protéome. 15, 41–51 (2018).

CAS Google Scholar

Montgomery, DC, Peck, EA & Vining, GG Introduction à l'analyse de régression linéaire (John Wiley & Sons, 2021).

MATH Google Scholar

Qin, J., Pan, W., Xiang, X., Tan, Y. & Hou, G. Une méthode de classification d'images biologiques basée sur un CNN amélioré. Éco. Informer. 58, 101093 (2020).

Article Google Scholar

Wang, J. et al. CNN-RNN : un cadre unifié pour la classification d'images multi-étiquettes. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance des formes 2285–2294 (2016).

Hou, L. et al. Réseau de neurones convolutionnels à base de patchs pour la classification d'images de tissus sur lame entière. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance des formes 2424–2433 (2016).

Yosinski, J., Clune, J., Bengio, Y. & Lipson, H. Dans quelle mesure les fonctionnalités sont-elles transférables dans les réseaux de neurones profonds ? Adv. Information neuronale. Processus. Syst. 27, (2014).

Al-Haija, QA & Adebanjo, A. Diagnostic du cancer du sein dans les images histopathologiques utilisant le réseau neuronal convolutif ResNet-50. En 2020 IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS) 1–7 (IEEE, 2020).

Woo, S., Park, J., Lee, J.-Y. & Kweon, IS Cbam : module d'attention par bloc convolutif. Dans Actes de la Conférence européenne sur la vision par ordinateur (ECCV) 3–19 (2018).

Lee, H., Park, J. & Hwang, JY Module d'attention de canal avec mise en commun de moyennes de grille multi-échelles pour la segmentation du cancer du sein dans une image échographique. IEEE Trans. Ultrason. Ferroélectr. Fréq. Contrôle 67, 1344–1353 (2020).

Google Scholar PubMed

Szegedy, C., Ioffe, S., Vanhoucke, V. & Alemi, AA Inception-v4, inception-resnet et l'impact des connexions résiduelles sur l'apprentissage. Dans la trente et unième conférence AAAI sur l'intelligence artificielle (2017).

Fitzgerald, M., Saville, BR & Lewis, RJ Analyse de la courbe de décision. JAMA 313, 409–410 (2015).

Article CAS PubMed Google Scholar

Goense, L. et al. Thérapie individualisée dirigée par stade dans le cancer de l'œsophage : individualisation du traitement du cancer de l'œsophage. Anne. NY Acad. Sci. 1381, 50–65 (2016).

Article ADS PubMed Google Scholar

Liu, Z. et al. Imagerie génomique pour un diagnostic et un traitement précis des tumeurs : un aperçu de pointe. Biomédical. Pharmacologue. 135, 111173 (2021).

Article CAS PubMed Google Scholar

Bollschweiler, E. et al. Marqueurs moléculaires pour la prédiction de la réponse mineure à la chimioradiothérapie néoadjuvante dans le cancer de l'œsophage : résultats de l'étude prospective de prédiction de la réponse œsophagienne de Cologne (CERP). Anne. Surg. 264, 839–846 (2016).

Article PubMed Google Scholar

Nazari, M., Shiri, I. & Zaidi, H. Modèle d'apprentissage automatique basé sur Radiomics pour prédire le risque de décès dans les 5 ans chez les patients atteints d'un carcinome rénal à cellules claires. Calcul. Biol. Méd. 129, 104135 (2021).

Article PubMed Google Scholar

Zhong, J. et al. Prédiction automatisée de la réponse à la chimiothérapie néoadjuvante dans l'ostéosarcome avec apprentissage en profondeur et un nomogramme radiomique basé sur l'IRM. EUR. Radiol. https://doi.org/10.1007/s00330-022-08735-1 (2022).

Article PubMed PubMed Central Google Scholar

Zhong, Y.-W. et coll. Signature radiomique tumorale pour la détection assistée par réseau de neurones artificiels des métastases du cou chez les patients atteints d'un cancer de la langue. J. Neuroradiol. 49, 213-218 (2022).

Article PubMed Google Scholar

Joye, I. et al. L'imagerie quantitative surpasse les marqueurs moléculaires pour prédire la réponse à la chimioradiothérapie du cancer du rectum. Radiother. Oncol. 124, 104–109 (2017).

Article PubMed PubMed Central Google Scholar

Yang, F. et al. Prédiction IRM-Radiomique pour le carcinome hépatocellulaire positif à la cytokératine 19 : une étude multicentrique. Devant. Oncol. 11, 672126 (2021).

Article PubMed PubMed Central Google Scholar

Reel, PS, Reel, S., Pearson, E., Trucco, E. & Jefferson, E. Utilisation d'approches d'apprentissage automatique pour l'analyse de données multi-omiques : une revue. Biotechnol. Adv. 49, 107739 (2021).

Article CAS PubMed Google Scholar

de Melo, CM et al. Apprentissage profond de nouvelle génération basé sur des simulateurs et des données synthétiques. Tendances Conn. Sci. 26, 174-187 (2022).

Article PubMed Google Scholar

Liu, X. et al. Prédiction radiomique basée sur l'apprentissage en profondeur des métastases à distance chez les patients atteints d'un cancer du rectum localement avancé après une chimioradiothérapie néoadjuvante : une étude multicentrique. eBioMedicine 69, 103442 (2021).

Wang, W. et al. Développement et validation d'une signature radiomique basée sur la tomodensitométrie pour prédire la réponse à la chimiothérapie néoadjuvante pour le cancer gastrique localement avancé. Réseau JAMA. Ouvert 4, e2121143 (2021).

Article ADS PubMed PubMed Central Google Scholar

Ardila, D. et al. Dépistage du cancer du poumon de bout en bout avec apprentissage en profondeur tridimensionnel sur la tomodensitométrie thoracique à faible dose. Nat. Méd. 25, 954–961 (2019).

Article CAS PubMed Google Scholar

Huang, K. et al. Prédire la charge mutationnelle des tumeurs du cancer colorectal à partir d'images histopathologiques et d'informations cliniques à l'aide d'un apprentissage en profondeur multimodal. Bioinformatique (2022).

Han, Y., Wu, D., Kim, K. et Li, Q. Apprentissage en profondeur de bout en bout pour la tomographie intérieure avec CT à rayons X à faible dose. Phys. Méd. Biol. 67, 115001 (2022).

Article Google Scholar

Guo, M.-H. et coll. Mécanismes d'attention en vision par ordinateur : une enquête. Comp. Vis. Médias 8, 331–368 (2022).

Article Google Scholar

Bera, K., Braman, N., Gupta, A., Velcheti, V. & Madabhushi, A. Prédire les résultats du cancer avec la radiomique et l'intelligence artificielle en radiologie. Nat. Rév. Clin. Oncol. 19, 132-146 (2022).

Article CAS PubMed Google Scholar

Télécharger les références

Ce travail a été soutenu par le programme clé de recherche et de développement de la province du Shaanxi, en Chine (subvention 2018ZDXM-SF-043) et la Fondation nationale des sciences naturelles de Chine (subvention 81773239).

Département de radio-oncologie, Premier hôpital affilié de l'Université Xi'an Jiaotong, Xi'an, Chine

Yuchen Xie, Chao Ji, Yuchen Sun, Shuliang Zhang, Mingyu Hua, Xueting Liu, Weibin Hu, Yanfang Ma, Ying Wang et Xiaozhi Zhang

Département d'informatique et d'ingénierie des communications, École supérieure de sciences fondamentales et d'ingénierie, Université Waseda, Tokyo, Japon

Qiang Liu

Département de radio-oncologie, deuxième hôpital affilié de l'Université Xi'an Jiaotong, Xi'an, Chine

Casserole Shupei

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Les Drs Zhang ont eu un accès complet à toutes les données de l'étude et assument la responsabilité de l'intégrité des données et de l'exactitude de l'analyse des données. YX et QL ont contribué à parts égales en tant que premiers auteurs, ont réalisé l'étude et l'expérience. YS, CJ a participé à la conception de l'étude. SZ, QL et YS ont analysé les données de cette étude. Le recueil des patients a été finalisé par SP, MH et XLWH, YM et YW ont participé à la révision du manuscrit. Le manuscrit a été écrit par YX et QL

Correspondance à Xiaozhi Zhang.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournir un lien vers la licence Creative Commons et indiquer si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Xie, Y., Liu, Q., Ji, C. et al. Un modèle radiomique basé sur un réseau de neurones artificiels pour prédire la réponse à la radiothérapie des patients atteints d'un carcinome épidermoïde avancé de l'œsophage : une étude multicentrique. Sci Rep 13, 8673 (2023). https://doi.org/10.1038/s41598-023-35556-z

Télécharger la citation

Reçu : 25 novembre 2022

Accepté : 20 mai 2023

Publié: 29 mai 2023

DOI : https://doi.org/10.1038/s41598-023-35556-z

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.

Nouvelles