Thèse soutenue

Modélisation multi-facteurs pour l’aide à la décision dans le traitement par chimiothérapie des tumeurs cérébrales de type gliome diffus de bas grade
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Cyril Brzenczek
Direction : Jean-Marie MoureauxLuc Taillandier
Type : Thèse de doctorat
Discipline(s) : Automatique, Traitement du signal et des images, Génie informatique
Date : Soutenance le 06/04/2021
Etablissement(s) : Université de Lorraine
Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine
Partenaire(s) de recherche : Laboratoire : Centre de recherche en automatique (Nancy)
Jury : Président / Présidente : Amine Naït-Ali
Examinateurs / Examinatrices : Jean-Marie Moureaux, Luc Taillandier, Caroline Petitjean, Hugues Duffau, Sophie Wantz Mézières
Rapporteurs / Rapporteuses : Amine Naït-Ali, Caroline Petitjean

Résumé

FR  |  
EN

Le Gliome Diffus de Bas Grade (GDBG) est défini par l’OMS comme une tumeur primitive du système nerveux central et représente 15% de toutes les tumeurs gliales confondues. Un GDBG croît lentement, et finit inévitablement par se transformer en un gliome de grade III, bien plus agressif, qui mène finalement au décès du patient. Trois types de traitements sont disponibles : La chirurgie, la chimiothérapie et la radiothérapie. Aujourd’hui, les médianes de survie rapportées dans les études sont de 10 à 15 ans. Malheureusement, le pronostic du GDBG est très variable, l’écart-type de la survie totale étant élevé, et certains patients ne survivant que quelques années. Dans le cadre de la prise en charge du GDBG au CHRU de Nancy, la chimiothérapie est un des traitements les plus utilisés et on observe des réponses très variables tant en intensités, qu’en durées ainsi qu’en terme de profils de réponses. C’est dans ce contexte que se situe le travail de thèse. Il concerne l’étude de la réponse à la chimiothérapie et consiste à développer des outils d’aide à la décision pour le neuro-oncologue dans le suivi des patients. La première partie de mon travail de thèse se concentre donc sur le choix de la méthode de volumétrie. On peut ensuite caractériser la courbe de réponse volumique selon l’intensité de réponse. La seconde partie de ce travail concerne la modélisation de la réponse à l’aide de techniques d’apprentissage statistique. De nombreuses variables explicatives (épidémiologiques, génétiques sont à prendre en compte dans cette étude, dont une nouvelle variable nommée ESVR, qui est une mesure permettant de quantifier le phénotype infiltrant des GDBG. Les méthodes d’analyse factorielle et de machine learning permettent dans un premier temps de définir les variables qui portent le plus d’information. Les analyses exploratoires des données révèlent une redondance de l’information parmi certains facteurs génétiques et épidémiologiques. Les modèles montrent une plus grande influence des variables quantitatives sur la réponse à la chimiothérapie, comparé aux variables qualitatives. Une discussion sera menée sur l’importance des variables utilisées dans la prédiction de la réponse à la chimiothérapie. La finalité de la thèse est de produire un ensemble de règles qui permettront aux cliniciens d’anticiper, avant l’administration du traitement, son effet sur le volume tumoral ce qui permettra un choix de stratégie thérapeutique plus éclairé qu’aujourd’hui.