Thèse soutenue

Utilisation des statistiques bayésiennes et de la modélisation pour la prédiction des effets de la radiothérapie : application au traitement du glioblastome

FR  |  
EN
Auteur / Autrice : Oscar Daniel Zambrano Ramirez
Direction : Jean-Marc Fontbonne
Type : Thèse de doctorat
Discipline(s) : Physique
Date : Soutenance le 18/12/2018
Etablissement(s) : Normandie
Ecole(s) doctorale(s) : École doctorale physique, sciences de l’ingénieur, matériaux, énergie (Saint-Etienne du Rouvray, Seine Maritime)
Partenaire(s) de recherche : Laboratoire : Laboratoire de physique corpusculaire de Caen (1947-....)
établissement de préparation : Université de Caen Normandie (1971-....)
Jury : Président / Présidente : Renaud de Crevoisier
Examinateurs / Examinatrices : Jean-Marc Fontbonne, Jacques Balosso, Isabelle Gardin, Juliette Thariat
Rapporteurs / Rapporteuses : Philippe Meyer, Jacques Balosso

Mots clés

FR  |  
EN

Mots clés libres

Résumé

FR  |  
EN

Un cadre statistique bayésien a été créé dans le cadre de cette thèse pour le développement de modèles cliniques basés sur une approche d’apprentissage continu dans laquelle de nouvelles données peuvent être ajoutées. L’objectif des modèles est de prévoir les effets de la radiothérapie à partir de preuves cliniques. Des concepts d’apprentissage machine ont été utilisés pour résoudre le cadre bayésien. Les modèles développés concernent un cancer du cerveau agressif appelé glioblastome. Les données médicales comprennent une base de données d’environ 90 patients souffrant de glioblastome ; la base de données contient des images médicales et des entrées de données telles que l’âge, le sexe, etc. Des modèles de prévision neurologique ont été construits pour illustrer le type de modèles qui sont obtenus avec la méthodologie. Des modèles de récidive du glioblastome, sous la forme de modèles linéaires généralisés (GLM) et de modèles d’arbres de décision, ont été développés pour explorer la possibilité de prédire l’emplacement de la récidive à l’aide de l’imagerie préradiothérapie. Faute d’une prédiction suffisamment forte obtenue par les modèles arborescents, nous avons décidé de développer des outils de représentation visuelle. Ces outils permettent d’observer directement les valeurs d’intensité des images médicales concernant les lieux de récidive et de non-récurrence. Dans l’ensemble, le cadre élaboré pour la modélisation des données cliniques en radiothérapie fournit une base solide pour l’élaboration de modèles plus complexes.