Radiomics: enabling factors towards precision medicine

Dans cette thèse, l’objectif principal est de développer des modèles basés sur la radiomique pour la prédiction du devenir des tumeurs grâce à l’apprentissage machine avancé. Nous avons d’abord démontré que l’optimisation de la façon dont les caractéristiques texturales sont extraites des images médicales est fondamentale pour une meilleure prédiction du devenir des tumeurs. Nous avons ensuite intégré le processus d’optimisation des textures dans une méthodologie de modélisation multivariable robuste développée pour la construction de modèles de prédiction basés sur la radiomique. Cette méthodologie de modélisation multivariable utilise la régression logistique afin de combiner linéairement les données radiomiques. À l’aide de cette méthodologie, nous avons pu développer un modèle permettant de prédire avec une grande précision le développement des métastases pulmonaires pour les patients atteints de sarcomes des tissus mous. Ce modèle combine les valeurs de caractéristiques texturales extraites des images FDG-TEP fonctionnelles et IRM anatomiques acquises avant le traitement des tumeurs. À la suite de ce travail initial, nous avons démontré comment les propriétés prédictives des textures d’imagerie composant de tels modèles de prédiction pourraient être améliorées en optimisant la façon dont les images sont acquises. Une preuve de concept pour l’amélioration de la prédiction des métastases pulmonaires dans les sarcomes des tissus mous a été réalisée à l’aide de simulations informatisées d’acquisitions d’images FDG-PET et IRM, en variant les différents paramètres physiques utilisés pendant les acquisitions d’images. Ensuite, dans une autre étude, nous avons développé une stratégie permettant de mieux personnaliser les traitements pour les patients atteints de sarcomes des tissus mous identifiés comme étant à plus haut risque de développer des métastases pulmonaires (à l’aide de modèles de prédiction basés sur la radiomique); plus précisément, nous avons vérifié la faisabilité d’appliquer une double augmentation de la dose de radiation aux sous-régions tumorales hypermétaboliques et hypoxiques des sarcomes des tissus mous afin de contrecarrer la progression des parties plus agressives des tumeurs. Aux fins de la planification du traitement par radiations, les contours définissant les sous-régions tumorales hypermétaboliques et hypoxiques ont été obtenus à partir d’images fonctionnelles FDG-TEP et IRM. Enfin, dans notre dernière étude, nous avons développé une méthodologie permettant d’intégrer des données d’imagerie radiomique avec des facteurs pronostiques cliniques dans des modèles de prédiction, en utilisant cette fois un algorithme informatique dit à “forêt aléatoire”. Nous avons testé notre méthodologie dans le cancer de la tête et du cou afin de mieux évaluer le risque de récidives locorégionales et de métastases distantes, cette fois en utilisant des images fonctionnelles FDG-TEP et des images anatomiques CT acquises avant le traitement en conjonction avec les données cliniques. Les modèles radiomiques cliniquement intégrés que nous avons développés possèdent une forte puissance de prédiction, conduisant à une stratification des patients en deux sous-groupes pour l’évaluation du risque de récidive locorégionale (faible, élevé) dans le cancer de la tête et du cou, et en trois sous-groupes pour les métastases distantes (faible, moyen, élevé). Dans l’ensemble, nous avons demontré dans cette thèse que l’analyse radiomique est une méthode propice à la médecine de précision. Les différentes techniques et modèles radiomiques développés dans ce travail pourraient avoir un impact majeur sur la conception de nouveaux essais cliniques visant à une meilleure personnalisation des traitements contre le cancer. On peut imaginer que dans un avenir rapproché, des régimes de traitement différents seront administrés aux patients en fonction de différentes évaluations du risque d’un devenir tumoral spécifique par l’analyse radiomique.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.