Outil d'aide à la prise de décision en Réunion de Concertation Pluridisciplinaire par apprentissage profond - Application au cancer colorectal

Decision support tool for multidisciplinary consultation meetings using deep learning - Application to colorectal cancer

• Auteur / Autrice : Célia D'cruz
• Direction : Michel Riveill
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : I3S - Informatique, Signaux et Systèmes de Sophia-Antipolis

Mots clés

Mots clés libres

Traitement Automatique du Langage

Deep Learning

Extraction d'information

Documents structurés

Cancer Colorectal

Classification de long textes

Natural Language Processing

Deep Learning

Information Extraction

Document Layout

Colorectal Cancer

Long Text Classification

Résumé

Outil d'aide à la prise de décision en Réunion de Concertation Pluridisciplinaire par apprentissage profond - Application au cancer colorectal. CONTEXTE : Le cancer colorectal est l'un des plus fréquents en France et constitue la deuxième cause de décès par le cancer en France. C'est un problème de santé publique et ce cancer est souvent discuté en Réunion de Concertation Pluridisciplinaire (RCP). Afin d'évaluer, d'améliorer, d'homogénéiser les pratiques professionnelles dans le cas de prise en charges médicales complexes (en particulier en oncologie), des Réunions de Concertation Pluridisciplinaires ont régulièrement lieu. Elles impliquent les professionnels de santé qui suivent le patient ou la patiente, mais aussi des collègues d'autres disciplines avec pour principal objectif l' analyse collégiale du dossier pour déterminer la meilleure conduite à tenir à partir de la situation du patient décrite dans les différents comptes rendus médicaux, de l'état de l'art actuel et des recommandations de la HAS. Cependant, ce processus nécessite des ressources en compétence voire une expertise, pas toujours disponibles au moment de la prise de décision, des tests cliniques. La quantité d'informations devient trop importante pour qu'elle puisse être prise en compte, bien souvent, dans un délai souvent très court. C'est précisément l'objet de cette thèse : synthétiser les informations pour produire de la connaissance comme aide à la décision auprès des professionnels de santé en considérant toutes les informations disponibles au sein de l'établissement, les dernières publications scientifiques et les recommandations les plus récentes de la HAS. La synthèse ainsi produite servira de base aux discussions qui ont lieu lors de la RCP. PROJET DE RECHERCHE : On s'intéresse à l'analyse des textes des différents comptes rendus médicaux (Examen clinique, compte-rendu d'exploration radiologique, compte-rendu d'actes techniques et opératoires, compte-rendu de pathologie et compte-rendu de consultation de suivi,...) pour chaque patient.e suivi.e pour un possible cancer colorectal. Ces textes sont des textes librement rédigés mais comportent un large vocabulaire technique récurrent. L'objectif est ainsi de mettre en évidence les informations utiles en combinant une approche par apprentissage profond et des bases de connaissances métier. Le développement d'une méthode d'apprentissage profond à partir de données structurées et non-structurées est une des questions actuelles très intense dans le domaine de l'intelligence artificielle et de l'apprentissage profond en particulier et ce d'autant que des références font état de résultats supérieur comparativement aux techniques traditionnelles. Le point de départ est les approches basées sur les "transformers" (exemple : BERT) pour l'intégration des données et sur les "graphs neuronal networks" pour exprimer les relations entre les différents concepts. De plus, comme l'objectif est d'être un outil d'aide aux professionnels de santé, on s'intéresse à intégrer des capacités d'explicabilité et d'interprétabilité au modèle.

Decision support tool for Multidisciplinary Consultation Meetings using deep learning - Application to colorectal cancer. CONTEXT: Colorectal cancer is one of the most common cancers in France and is the second most common cause of cancer death in France. It is a public health problem and this cancer is often discussed in Multidisciplinary Consultation Meetings (RCP). In order to evaluate, improve and homogenize professional practices in the case of complex medical care (particularly in oncology), multidisciplinary consultation meetings are held regularly. They involve the health professionals who follow the patient, but also colleagues from other disciplines, with the main objective of a collegial analysis of the case file to determine the best course of action based on the patient's situation as described in the various medical reports, the current state of the art and the HAS recommendations. However, this process requires resources in terms of skills and even expertise, which are not always available at the time the decision is made. The amount of information becomes too great to be taken into account, often in a very short time. This is precisely the purpose of this thesis: to synthesize information to produce knowledge as a decision aid for health professionals by considering all the information available within the institution, the latest scientific publications and the most recent recommendations of the HAS. The synthesis thus produced will serve as a basis for the discussions that take place during the RCP. RESEARCH PROJECT: We are interested in the analysis of the texts of the different medical reports (clinical examination, radiological exploration report, technical and operative acts report, pathology report and follow-up consultation report,...) for each patient followed for a possible colorectal cancer. These texts are freely written but include a large recurrent technical vocabulary. The objective is to highlight useful information by combining a deep learning approach and business knowledge bases. The development of a deep learning method from structured and unstructured data is one of the most intense current issues in the field of artificial intelligence and deep learning in particular, especially since references show superior results compared to traditional techniques. The starting point is the approaches based on "transformers" (e.g. BERT) for data integration and on "graph neural networks" for expressing the relations between different concepts. Moreover, as the objective is to be a tool to help health professionals, we are interested in integrating explicability and interpretability capacities to the model.