A New Representation for Spectral Data Applied to Raman Spectroscopy of Brain Cancer

Par sa nature infiltrative et son confinement derrière la barrière hémo-encéphalique, le cancer primaire du cerveau est l'une des néoplasies les plus difficiles à diagnostiquer et traiter. Son traitement repose sur la résection chirurgicale maximale. La spectroscopie Raman, capable d'identifier en temps réel des régions cancéreuses qui apparaîtraient normales à l'œil nu, promet d'améliorer considérablement le guidage neurochirurgical et maximiser la résection de la masse tumorale. Cependant, le signal Raman est très complexe à interpréter : les systèmes Raman peuvent maintenant capter des signaux de grande qualité que les méthodes analytiques actuelles ne parviennent pas à interpréter de manière reproductible. Ceci constitue une barrière importante à l'acceptation de la spectroscopie Raman par les médecins et les chercheurs œuvrant sur le cancer du cerveau. L'objectif de ce travail est de développer une méthode robuste d'ingénierie des variables (« Feature engineering ») qui permettrait d'identifier les processus moléculaires exploités par les systèmes Raman pour différentier les régions cancéreuses des régions saines lors de chirurgies cérébrales. Tout d'abord, nous avons identifié les régions Raman ayant une haute spécificité à notre problématique clinique par une revue systématique de la littérature. Un algorithme d'ajustement de courbe a été développé afin d'extraire la forme des pics Raman dans les régions sélectionnées. Puis, nous avons élaboré un modèle mathématique qui tient compte de l'interactivité entre les molécules de l'échantillon interrogé, ainsi qu'entre le signal Raman et l'âge du patient opéré. Pour valider le modèle, nous avons comparé sa capacité à compresser le signal avec celle de l'analyse en composante principale (ACP), le standard en spectroscopie Raman. Finalement, nous avons appliqué la méthode d'ingénierie des variables à des spectres Raman acquis en salle d'opération afin d'identifier quels processus moléculaires indiquaient la présence de cancer. Notre méthode a démontré une meilleure rétention d'information que l'ACP. En l'appliquant aux spectres Raman in vivo, les zones denses en cellules malignes démontrent une expression augmentée d'acides nucléiques ainsi que de certaines protéines, notamment le collagène, le tryptophan et la phénylalanine. De plus, l'âge des patients semble affecter l'impact qu'ont certaines protéines, lipides et acides nucléiques sur le spectre Raman. Nos travaux révèlent l'importance d'une modélisation statistique appropriée pour l'implémentation clinique de systèmes Raman chirurgicaux.