Prédiction de l'efficacité des thérapies anti-tumorales à partir de données d'imagerie médicale et de données génomiques

par Théo Estienne

Projet de thèse en Mathématiques et Informatique

Sous la direction de Nikos Paragios et de Eric Deutsch.

Thèses en préparation à Paris Saclay , dans le cadre de École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....) , en partenariat avec [CVN] Centre de la Vision Numérique (laboratoire) et de CentraleSupélec (2015-....) (établissement de préparation de la thèse) depuis le 01-12-2017 .


  • Résumé

    La meilleure connaissance des différents processus clés de l'oncogénèse connus sous le nom de « hallmarks » du cancer (comme par exemple, l'angiongénèse, l'hypoxie, la prolifération, l'échappement immunitaire…) ont permis le développement de thérapies ciblées contre ceux-ci (1). Cependant, l'absence fréquente de réponse à ces traitements souligne la nécessité d'identifier des biomarqueurs robustes. Une des principales explications à ces résistances est la présence d'hétérogénéité tumorale, expliqué par des variations de ces processus de différenciations, au sein même d'une tumeur (« hétérogénéité intra-tumorale »), entre les différents sites tumoraux d'un même patient (« hétérogénéité spatiale »), et également au cours du temps (« hétérogénéité temporelle »). L'imagerie médicale computationelle (radiomics) est une discipline récente et extrêmement prometteuse qui consiste en l'analyse de variables quantitatives extraites des examens d'imagerie standard tels que les scanners, IRM ou PET (2–4). L'hypothèse sous-jacente est que les données issues de ces examens reflètent l'architecture des tissus, mais aussi leur composition cellulaire et moléculaire. Plusieurs études ont ainsi montré des associations entre des signatures radiomiques et le pronostic des patients, leur réponse au traitement, ou des marqueurs tumoraux (4). Cette approche présente plusieurs avantages : (i) elle est non-invasive, (ii) elle évalue la tumeur et son micro-environnement dans sa globalité, caractérisant ainsi son hétérogénéité spatiale, et (iii) peut être répétée dans le temps. Bien que la méthode de quantification des différents index soit relativement simple, leur extraction repose encore majoritairement sur du contourage manuel ou semi-automatique de la région d'intérêt, ce qui est laborieux et opérateur-dépendant. L'utilisation des nouvelles méthodes émergentes de vision numérique et d'apprentissage profond (ou « deep learning ») permettrait d'automatiser cette tâche. En particulier, l'utilisation de réseaux neuronaux a déjà montré une performance importante dans les tâches de classifications (5). Une signature radiomique permettant d'évaluer les différents hallmarks du cancer permettrait une évaluation locale et globale de la maladie tumorale du patient et pourrait servir de biomarqueur prédictif d'efficacité des thérapies ciblées et immunothérapies, et ainsi guider le développement d'une médecine de précision. Ce projet, à l'interface de la biologie, de la génomique, de l'imagerie computationnelle, et des méthodes d'apprentissage permettrait d'avancer dans la médecine de précision en oncologie

  • Titre traduit

    Improvign anticancer therapies' efficacy through Machine Learning on Medical Imaging & Genomic Data


  • Résumé

    The extensive tumor heterogeneity existing at the phenotypic and genetic levels is thought to drive the resistance to anticancer therapies. Heterogeneity results in the variation of key oncogenic processes such as angiogenesis, hypoxia, proliferation, immune escape and invasion. However, the evaluation of these hallmarks of cancer remains challenging both spatially and temporally. Computational medical imaging (radiomics) is an emerging discipline, which extracts high dimensional quantitative features from medical imaging that are related to the underlying tumor pathological and molecular characteristics. Purpose: This project aims to model the variation of key oncogenic pathwaysusing radiomics and genomics data, and eventually integrate their predictive outputs with the reponse to anticancer agents. Expected results: This project, at the interface between biology, genomics and radiomics. computer vision, and machine learning will bring further knowledge about oncogenic process and help to the development of precision medicine in oncology.