Prédiction par Deep Learning de la réponse complète après radiochimiothérapie pré-opératoire du cancer du rectum localement avancé

Deep learning to predict pathologic complete response to neoadjuvant chemoradiation in locally-advanced rectal cancer

• Auteur / Autrice : Jean-Emmanuel Bibault
• Direction : Anita Burgun, Philippe Giraud
• Type : Thèse de doctorat
• Discipline(s) : Informatique biomédicale
• Date : Soutenance le 21/09/2018
• Etablissement(s) : Sorbonne Paris Cité
• Ecole(s) doctorale(s) : École doctorale Pierre Louis de santé publique : épidémiologie et sciences de l'information biomédicale (Paris ; 2000-....)
• Partenaire(s) de recherche : établissement de préparation : Université Paris Descartes (1970-2019)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche des Cordeliers / CRC - UMR-S 1138
• Jury : Président / Présidente : Christophe Hennequin
• Jury : Examinateurs / Examinatrices : Anita Burgun, Philippe Giraud, Christophe Hennequin, Pierre Vera, Marc Cuggia, Olivier Saut
• Jury : Rapporteurs / Rapporteuses : Pierre Vera, Marc Cuggia

Mots clés

Mots clés contrôlés

Cancer

Rectum

Radiochimiothérapie

Apprentissage automatique

Mots clés libres

Oncologie

Radiothérapie

Prédiction

Deep learning

Oncology

Radiation oncology

Prediction

Deep learning

Résumé

L’utilisation de systèmes informatiques pour formaliser, organiser et planifier le traitement des patients a abouti à la création et à l’accumulation de quantité importante de données. Ces informations comprennent des caractéristiques démographiques, socio-économiques, cliniques, biologiques, d’imagerie, et, de plus en plus, génomiques. La médecine et sa pratique, fondées sur la sémiologie et la physiopathologie, vont être profondément transformées par ce phénomène. La complexité et la quantité des informations à intégrer pour prendre une décision médicale pourrait dépasser rapidement les capacités humaines. Les techniques d’intelligence artificielle pourraient assister le médecin et augmenter ses capacités prédictives et décisionnelles. La première partie de ce travail présente les types de données désormais accessibles en routine en oncologie radiothérapie. Elle détaille les données nécessaires à la création d’un modèle prédictif. Nous explorons comment exploiter les données spécifiques à la radiothérapie et présentons le travail d’homogénéisation et de conceptualisation qui a été réalisé sur ces données, notamment via la création d’une ontologie, dans le but de les intégrer à un entrepôt de données. La deuxième partie explore différentes méthodes de machine learning : k-NN, SVM, ANN et sa variante, le Deep Learning. Leurs avantages et inconvénients respectifs sont évalués avant de présenter les études ayant déjà utilisé ces méthodes dans le cadre de la radiothérapie. La troisième partie présente la création d’un modèle prédictif de la réponse complète à la radiochimiothérapie (RTCT) pré-opératoire dans le cancer du rectum localement avancé. Cette preuve de concept utilise des sources de données hétérogènes et un réseau neuronal profond dans le but d’identifier les patients en réponse complète après RTCT qui pourraient ne pas nécessiter de traitement chirurgical radical. Cet exemple, qui pourrait en pratique être intégré aux logiciels de radiothérapie déjà existant, utilise les données collectées en routine et illustre parfaitement le potentiel des approches de prédiction par IA pour la personnalisation des soins.

The use of Electronic Health Records is generating vast amount of data. They include demographic, socio-economic, clinical, biological, imaging and genomic features. Medicine, which relied on semiotics and physiopathology, will be permanently disrupted by this phenomenon. The complexity and volume of data that need to be analyzed to guide treatment decision will soon overcome the human cognitive abilities. Artificial Intelligence methods could be used to assist the physicians and guide decision-making. The first part of this work presents the different types of data routinely generated in oncology, which should be considered for modelling a prediction. We also explore which specific data is created in radiation oncology and explain how it can be integrated in a clinical data warehouse through the use of an ontology we created. The second part reports on several types of machine learning methods: k-NN, SVM, ANN and Deep Learning. Their respective advantages and pitfalls are evaluated. The studies using these methods in the field of radiation oncology are also referenced. The third part details the creation of a model predicting pathologic complete response after neoadjuvant chemoradiation for locally-advanced rectal cancer. This proof-of-concept study uses heterogeneous sources of data and a Deep Neural Network in order to find out which patient could potentially avoid radical surgical treatment, in order to significantly reduce the overall adverse effects of the treatment. This example, which could easily be integrated within the existing treatment planning systems, uses routine health data and illustrates the potential of this kind of approach for treatment personalization.