Extraction et analyse des caractéristiques de l’image dans le cadre de la méthode radiomique appliqué à la prédiction de la radiothérapie
Notice bibliographique
Résumé
L’imagerie médicale multimodale est utilisée aux différentes étapes de la prise en charge du cancer. Ces images volumiques contiennent une quantité d'information importante. Ainsi la méthode radiomique vise à exploiter ces informations afin de répondre à une problématique clinique comme la classification du cancer ou la survie globale du patient. Cependant, l’approche radiomique souffre de limitations telles que les variabilités présentent dans les méthodes de segmentation, d’acquisition, et d’extraction des caractéristiques de l’image. L'objectif de cette thèse est donc de proposer des méthodes permettant de contribuer à réduire l’impact de ces limitations existantes. À cette fin, dans un premier temps, ces travaux se sont intéressés à l'impact de l'utilisation de différentes segmentations de la tumeur dans le pronostic de survie sans maladie du patient. Un modèle d'apprentissage profond est aussi développé pour permettre la segmentation et le prognostique de survie du patient simultanément. Dans un second temps, ces travaux de thèse proposent une approche innovante pour transformer les cartes de réponse des filtres en scalaire tout en prenant en compte l'hétérogénéité de la tumeur, dans le but de permettre leur exploitation au sein de modèles d’apprentissage automatique. De plus un modèle radiomique est proposé pour prédire la récidive biochimique des patients atteints du cancer de la prostate. La performance de ce modèle a servi de référence pour l'évaluation d'un modèle de prédiction intégrant des mécanismes radiobiologiques. Dans un troisième temps, l'utilisation de différentes méthodes (supervisées et non supervisées) de sélection des caractéristiques d'images est évaluée. De plus, un modèle radiomique basé sur l'apprentissage à noyaux multiples est proposé pour prédire la récidive biochimique des patients atteints du cancer de la prostate. En perspective, de tels modèles, validés sur des cohortes externes, pourraient être déployés au sein de protocoles cliniques pour permettre un traitement personnalisé du patient.
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.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».