Développement des approches radiomics à visées diagnostique et pronostique pour la prise en charge de patients atteints des sarcomes des tissus mous.

Development and applications of radiomics approaches to improve diagnostic and prognostic management for patients with soft-tissue sarcomas

• Auteur / Autrice : Amandine Crombé
• Direction : Olivier Saut
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées et calcul scientifique
• Date : Soutenance le 24/06/2020
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Institut de mathématiques de Bordeaux - Institut national de recherche en informatique et en automatique (France). Centre de recherche Inria de l'université de Bordeaux (Bordeaux)
• Jury : Président / Présidente : Vincent Dousset
• Jury : Examinateurs / Examinatrices : Olivier Saut, Laure Fournier, Irène Buvat, Cécile Proust-Lima, Jean-Emmanuel Bibault, Nicolas Meunier, Nicolas Papadakis
• Jury : Rapporteurs / Rapporteuses : Laure Fournier, Irène Buvat

Mots clés

Mots clés contrôlés

Modélisation prédictive

Emploi en diagnostic

Imagerie par résonance magnétique

Modèles mathématiques

Cancérologie

Mots clés libres

Oncologie

Imagerie dynamique de perfusion

Imagerie par résonance magnétique

Hétérogénéité intra-tumorale

Sarcomes des tissus mous

Modélisation prédictive

Oncology

Dynamic-contrast enhanced MRI

Magnetic resonance imaging

Intratumoral heterogeneity

Soft-tissue sarcomas

Predictive modelling;

Résumé

Les sarcomes des tissus mous (STM) sont des tumeurs malignes mésenchymateuses ubiquitaires hétérogènes en terme de présentations cliniques, radiologiques, histologiques, moléculaires et pronostiques. L’imagerie de référence des STM est l’IRM avec injection de produit de contraste qu’il s’agisse du bilan initial, de l’évaluation de la réponse aux traitements, de la planification préopératoire ou de la recherche de rechute locale. De plus, l’IRM permet d’accéder à la tumeur en place, in vivo, dans sa globalité et de manière non invasive, en complément des analyses anatomo-pathologiques et moléculaires qui nécessitent des prélèvements invasifs ne correspondant qu’à une infime fraction du volume tumoral. Cependant, aucun biomarqueur radiologique n’a été validé dans la prise en charge des STM. Parallèlement, se sont développés (i) d’autres modalités et séquences d’imagerie quantitative permettant d’aboutir à une quantification de phénomène physiopathologique intratumoraux, (ii) des techniques d’analyse d’image permettant de quantifier les phénotypes radiologiques au-delà de ce que peut voir l’œil humain à travers de multiples indicateurs de texture et de forme (: indices radiomics), et (iii) des outils d’analyses mathématiques (: algorithme de machine-learning) permettant d’intégrer et trier toutes ces informations dans des modèles prédictifs. Les approches radiomics correspondent au développement de modèles prédictifs basés sur ces algorithmes et ces indices radiomics. L’objectif de cette thèse est de mettre en application ces innovations et de les optimiser pour améliorer la prise en charge des patients atteints de STM. Pour cela, trois grands axes ont été développés. Dans une première partie, nous avons cherché à améliorer la prédiction du pronostic de patients atteints de certains sarcomes en combinant approches radiologiques classiques et approches radiomics sur leur IRM initiale, avec comme potentielle application de mieux identifier les patients à haut risque de rechute métastatique. Dans une deuxième partie, nous avons construit un modèle basé sur l’évolution précoce de l’hétérogénéité intratumorale ( : delta-radiomics) de patients atteints de STM traités par chimiothérapie néoadjuvante afin d’identifier les patients n’y répondant pas favorablement et qui pourraient bénéficier d’adaptations thérapeutiques anticipées. Dans une troisième et dernière partie, nous avons cherché à identifier et mieux contrôler les biais potentiels des approches radiomics afin, in fine, d’optimiser les modélisations prédictives basées sur les indices radiomics.

Soft-tissue sarcomas (STS) are malignant ubiquitous mesenchymal tumors that are characterized by their heterogeneity at several levels, i.e. in terms of clinical presentation, radiological presentation, histology, molecular features and prognosis. Magnetic resonance imaging (MRI) with a contrast-agent injection is the imaging of reference for these tumors. MRI enables to perform the local staging, the evaluation of response to treatment, to plan the surgery and to look for local relapse. Furthermore, MRI can access non-invasively to the whole tumor in situ and in vivo which is complementary to histopathological and molecular analyses requiring invasive biopsy samples at risk of sampling bias. However, no imaging biomarker dedicated to STS has been validated so far. Meanwhile, technical innovations have been developed, namely: (i) alternative imaging modalities or MRI sequences that can quantify intratumoral physiopathological phenomenon; (ii) image analysis tools that can quantify radiological phenotypes better than human’s eyes through hundreds of textural and shape quantitative features (named radiomics features); and (iii) mathematical algorithms that can integrate all these information into predictive models (: machine-learning). Radiomics approaches correspond to the development of predictive models based on machine-learning algorithms and radiomics features, eventually combined with other clinical, pathological and molecular features. The aim of this thesis was to put these innovations into practice and to optimize them in order to improve the diagnostic and therapeutic managements of patients with STS.In the first part, we combined radiological and radiomics features extracted from the baseline structural MRIs of patients with a locally-advanced subtype of STS in order to build a radiomics signature that could help to identify patients with higher risk of metastatic relapse and may benefit from neoadjuvant treatments. In the second part, we elaborated a model based on the early changes in intratumoral heterogeneity (: delta-radiomics) on structural MRIs of patients with locally-advanced high-grade STS treated with neoadjuvant chemotherapy, in order to rapidly identify patients who do not respond to treatment and would benefit from early therapeutic adjustments. In the last part, we tried to better identify and control potential bias in radiomics approaches in order to optimize the predictive models based on radiomics features.