M3S – Développement de la spectroscopie Raman en cytopathologie : Application au diagnostic de la leucémie lymphoïde chronique

M3S - Development of Raman spectroscopy in cytopathology : Application to the diagnosis of chronic lymphocytic leukaemia

• Auteur / Autrice : Michael Féré
• Direction : Olivier Piot
• Type : Thèse de doctorat
• Discipline(s) : Biophysique
• Date : Soutenance le 18/12/2018
• Etablissement(s) : Reims
• Ecole(s) doctorale(s) : École doctorale Biologie, Chimie, Santé (Reims ; 2018-)
• Partenaire(s) de recherche : Laboratoire : BioSpectroscopie Translationnelle
• Jury : Président / Présidente : Ludovic Duponchel
• Jury : Examinateurs / Examinatrices : Olivier Piot, Anne Quinquenel, Jacques Klossa, Cyril Gobinet
• Jury : Rapporteur / Rapporteuse : Erik Goormaghtigh

Mots clés

Mots clés contrôlés

Diagnostic

Analyse des données

Leucémie lymphoïde chronique

Spectroscopie Raman

Mots clés libres

Analyse de données

Spectroscopie vibrationnelle

Raman

Machine learning

Raman

Data analysis

Vibrationnal spectroscopy

Machine learning

Résumé

Actuellement, il existe peu de nouvelles technologies ''Label free'' afin de faciliter et d’améliorer le diagnostic précoce. Ces technologies pourraient être des outils puissants pour mieux diagnostiquer les patients. De nombreuses études ont montré le potentiel de la spectroscopie Raman pour aider les cliniciens. Le travail réalisé au cours de cette thèse avait pour but de mettre au point un outil autonome pour le diagnostic de la LLC, grâce à des données Raman acquises dans différentes conditions expérimentales et instrumentales lors de campagnes de mesures multicentriques. Cependant, ces changements influent beaucoup sur les données Raman, ce qui pose des problèmes de transférabilité. L’apparition de cette technologie au chevet du patient est donc entravée, il est nécessaire de corriger ce manque de transférabilité. Dans ce mémoire, différents axes de recherche ont été menés. Il a été proposé, dans un premier temps, d'évaluer une solution consistant en l'application d'un prétraitement spécifiquement développé afin d’éliminer la variabilité spectrale induite par les différents changements de conditions. Le prétraitement basé sur l’EMSC a montré de fortes performances pour homogénéiser ces données multicentriques. Le second axe de recherche a été d’évaluer différentes stratégies, afin de créer et d’optimiser des modèles pour le diagnostic de la LLC. 100 modèles de classification ont donc été créé grâce à la double validation croisée répétée. La combinaison des prédictions de ces modèles a permis, grâce à un vote majoritaire, de prédire avec une grande précision si un patient était sain ou atteint de la LLC.

Currently, there are few new ''Label free'' technologies to facilitate and improve early diagnosis. These technologies could be powerful tools to better diagnose patients. Many studies have shown the potential of Raman spectroscopy to help clinicians. The work carried out during this thesis aimed to develop an autonomous tool for the diagnosis of CLL, using Raman data acquired under different experimental and instrumental conditions during multicentric measurement campaigns. However, these changes have a significant impact on Raman data, which poses transferability issues. The appearance of this technology at the bedside is therefore hindered, it is necessary to correct this lack of transferability. In this thesis, various lines of research were conducted. As a first step, it was proposed to evaluate a solution consisting in the application of a specifically developed pre-treatment to eliminate the spectral variability induced by the different changes in conditions. Pre-treatment based on EMSC has shown strong performance in homogenizing this multicentric data. The second research axis was to evaluate different strategies, in order to create and optimize models for the diagnosis of CLL. 100 classification models were therefore created through repeated double crossvalidation. The combination of the predictions of these models allowed, through a majority vote, to predict with great accuracy whether a patient was healthy or sick.