Objectif : Étudier la valeur potentielle des modèles d'apprentissage automatique basés sur la radiomique environnementale multiparamétrique en imagerie par résonance magnétique (IRM) pour prédire l'invasion lymphovasculaire (LVI) chez les patients atteints de cancer gastrique. Méthodes : Une revue a été réalisée en recueillant des données de patients atteints de cancer gastrique confirmés par pathologie à l'hôpital des tumeurs de la province du Shanxi entre octobre 2012 et mai 2024, répartis aléatoirement en ensembles d'entraînement et de validation selon un ratio 7:3. Les IRM multiparamétriques, incluant l'imagerie pondérée en T2 axiale, la carte du coefficient de diffusion apparente (ADC) et l'imagerie pondérée en T1 avec contraste, ont été prétraitées et les tumeurs segmentées manuellement. Les tumeurs ont été subdivisées en sous-régions basées sur l'algorithme de clustering fuzzy c-means, et les caractéristiques radiomiques des sous-régions ainsi que de la tumeur entière ont été extraites et sélectionnées. Trois algorithmes d'apprentissage automatique différents — forêts aléatoires (RF), régression logistique (LR) et machines à vecteurs de support (SVM) — ont été utilisés pour construire des modèles radiomiques environnementaux afin de prédire le statut LVI, et l'algorithme optimal a été sélectionné pour construire le modèle radiomique de la tumeur entière. Les courbes ROC et les analyses de courbes de décision (DCA) ont été tracées pour évaluer la performance et le bénéfice clinique des modèles dans la prédiction de LVI. Résultats : 446 patients atteints de cancer gastrique ont été inclus, dont 313 dans l'ensemble d'entraînement et 133 dans l'ensemble de validation. Parmi les trois modèles d'apprentissage automatique, le modèle radiomique environnemental basé sur SVM a montré la meilleure performance prédictive avec des aires sous la courbe (AUC) de 0,803 et 0,751 respectivement pour les ensembles d'entraînement et de validation, ce modèle étant significativement supérieur au modèle radiomique de la tumeur entière (test de DeLong, P < 0,05). Conclusion : Les modèles d'apprentissage automatique basés sur l'imagerie environnementale multiparamétrique IRM peuvent prédire de manière non invasive et précise le statut LVI chez les patients atteints de cancer gastrique, fournissant une base théorique pour la prise de décision individualisée en clinique.

cancer gastrique;invasion lymphovasculaire;imagerie par résonance magnétique;analyse environnementale;apprentissage automatique