L'analyse de texture : un nouveau biomarqueur en oncologie?

Imaging as a biomarker for tumoral evaluation

• Auteur / Autrice : Caroline Caramella
• Direction : Nathalie Lassau, Stéphanie Pitre-Champagnat
• Type : Thèse de doctorat
• Discipline(s) : Recherche clinique, innovation technologique, santé publique
• Date : Soutenance le 17/12/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Cancérologie, Biologie, Médecine, Santé
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'imagerie biomédicale multimodale Paris-Saclay (Orsay, Essonne ; 2020-....)
• Partenaire(s) de recherche : référent : Faculté de médecine
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Life Sciences and Health (2020-....)
• Jury : Président / Présidente : Mathieu Lederlin
• Jury : Examinateurs / Examinatrices : Alain Luciani, Marie Wislez, Stéphanie Pitre-Champagnat, Elie Fadel
• Jury : Rapporteurs / Rapporteuses : Alain Luciani, Marie Wislez

Mots clés

Mots clés contrôlés

Tomodensitométrie multidétecteurs

Intelligence artificielle en médecine

Immunothérapie anticancéreuse

Cancer -- Thérapeutique

Mots clés libres

Imagerie

Oncologie

Biomarqueurs

Radiomique

Immunothérapie

Imaging

Oncology

Biomarkers

Radiomic

Immunotherapy

Résumé

Ce travail de thèse s’inscrit initialement dans le domaine de l’imagerie tomodensitométrique quantitative. En effet, la numérisation des examens d’imagerie permet d’extraire des images des données chiffrées, ou indices de texture, qui pourraient caractériser plus finement les tissus, en particulier tumoraux, afin d’en extraire des paramètres d’agressivité ou des biomarqueurs prédictifs de réponse aux traitements. Néanmoins, l’obtention des images médicales en tomodensitométrie n’est pas homogène et fait intervenir de multiples paramètres techniques liés aux machines scannographiques et qui pourraient être à l’origine de variation des indices de texture inter et intra-scanner. Mon travail a donc consisté à l’identification de ces sources de variation pour proposer, à terme, une méthode de calibration robuste et standardisée en TDM.En parallèle des avancées dans ce domaine appelé la radiomique, de nouveaux traitements anticancéreux, faisant appel non plus à la destruction directe des cellules tumorales mais à la modification des interactions entre cellules tumorales et cellules immunitaires (ou immunothérapie) ont été découverts. Il s’agit d’une révolution dans le traitement des patients atteints de maladies métastatiques. L’évaluation de la réponse à ce nouveau type de traitement a été rapidement compliquée par la constatation de réponses atypiques : pseudoprogression (augmentation initiale des lésions suivies d’une stabilisation ou d’une réponse objective) et hyperprogression (accélération de la cinétique tumorale au début du traitement). Dans le cadre de ma thèse, je me suis donc également intéressée à ces nouveaux challenges de l’évaluation tumorale.Enfin, la découverte d’anomalies génomiques au sein des cellules tumorales dans les adénocarcinomes bronchiques a également été à l’origine du développement de nouvelles stratégies thérapeutiques (médecine personnalisée). Néanmoins, la recherche de ce type d’anomalie nécessite du matériel tumoral de qualité et en quantité suffisantes, et environ 20% des patients ne peuvent pas bénéficier de cette approche. La corrélation phénotype / génotype pourrait permettre d’affiner les recherches d’anomalies moléculaires chez les patients qui ont une présentation de la maladie évoquant la présence d’une anomalie moléculaire. Mon travail a donc consisté en une intégration des données cliniques et radiologiques et au développement d’un algorithme d’intelligence artificielle pour permettre de prédire la probabilité de trouver une anomalie génomique ciblable.

This thesis initially addresses the field of quantitative CT imaging. The digitization of imaging examinations alllows to extract quantified data, or texture indices, from images, which could characterize more precisely the tissues, in particular tumors, in order to extract parameters of aggressiveness or predictive biomarkers. Nevertheless, the obtaining of medical images in CT is not homogeneous and involves multiple technical parameters related to the scanning machines and which could be at the origin of inter and intra-scanner texture index variations. My work therefore consisted in identifying these sources of variation in order to propose a robust and standardized calibration method for CT.In parallel with advances in this field called radiomics, new cancer treatments have been discovered that no longer involve the direct destruction of tumor cells but rather the modification of interactions between tumor cells and immune cells (or immunotherapy). This is a revolution in the treatment of patients with metastatic disease. The evaluation of the response to this new type of treatment was quickly complicated by the observation of atypical responses: pseudoprogression (initial increase in lesions followed by stabilization or objective response) and hyperprogression (acceleration of tumor kinetics at the beginning of the treatment). In the framework of my thesis, I was therefore also interested in these new challenges of tumor evaluation.Finally, the discovery of genomic abnormalities within tumor cells in lung adenocarcinoma has also led to the development of new therapeutic strategies (personalized medicine). Nevertheless, the search for this type of abnormality requires tumor material of sufficient quality and quantity, and about 20% of patients cannot benefit from this approach. The phenotype/genotype correlation could allow to refine the search for molecular abnormalities in patients who have a presentation of the disease evoking the presence of a molecular abnormality. My work therefore consisted of integrating clinical and radiological data and developing an artificial intelligence algorithm to predict the probability of finding a targetable genomic anomaly.