Utilisation de méthodes radiomiques pour la prédiction des réponses à l’immunothérapie et combinaisons de radioimmunothérapie chez des patients atteints de cancers

Radiomics Approach to Predict Clinical Response of Cancer Patients Treated with Immunotherapy and Radioimmunotherapy

• Auteur / Autrice : Roger Sun
• Direction : Eric Deutsch, Nikos Paragios
• Type : Thèse de doctorat
• Discipline(s) : Sciences de la vie et de la santé
• Date : Soutenance le 05/10/2020
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Cancérologie, Biologie, Médecine, Santé
• Partenaire(s) de recherche : Laboratoire : Radiothérapie moléculaire et innovation thérapeutique (Villejuif, Val-de-Marne ; 2011-....)
• Partenaire(s) de recherche : référent : Faculté de médecine
• Partenaire(s) de recherche : Ecole : CentraleSupélec (2015-....)
• Jury : Président / Présidente : Jean-Charles Soria
• Jury : Examinateurs / Examinatrices : Marie-Pierre Revel, Mathieu Hatt, Fernanda Herrera, Emanuela Romano, Vincent Lebon
• Jury : Rapporteurs / Rapporteuses : Marie-Pierre Revel, Mathieu Hatt

Mots clés

Mots clés contrôlés

Cancer -- Radiothérapie

Marqueurs biologiques

Immunothérapie anticancéreuse

Mots clés libres

Apprentissage statistique

Médecine de précision

Intelligence artificielle

Imagerie médicale computationnelle

Génomique

Réseaux neuronaux

Artificial intellgence

Machine learning

Neural network

Genomics

Precision medicine

Computational medical imaging

Résumé

Depuis l’arrivée des inhibiteurs de points de contrôle immunitaire, l’immunothérapie a profondément modifié la prise en charge de nombreux cancers, permettant parfois des réponses tumorales prolongées chez des patients atteints de cancers aux stades très avancés. Cependant, malgré des progrès thérapeutiques constants et des associations de traitements combinant par exemple radiothérapie et immunothérapie, la majorité des patients traités ne présentent pas de bénéfices à ces traitements. Ceci explique l’importance de la recherche de biomarqueurs innovants de réponse à l’immunothérapie.L’application de l’intelligence artificielle en imagerie est une discipline récente et en pleine expansion. L’analyse informatique de l’image, appelée également radiomique, permet d’extraire des images médicales de l’information non exploitable à l’œil nu, potentiellement représentative de l’architecture des tissus sous-jacents et de leur composition biologique et cellulaire, et ainsi de développer des biomarqueurs grâce à l’apprentissage automatique (« machine learning »). Cette approche permettrait d’évaluer de façon non invasive la maladie tumorale dans sa globalité, avec la possibilité d’être répétée facilement dans le temps pour appréhender les modifications tumorales survenant au cours de l’histoire de la maladie et de la séquence thérapeutique.Dans le cadre de cette thèse, nous avons évalué si une approche radiomique permettait d’évaluer l’infiltration tumorale lymphocytaire, et pouvait être associée à la réponse de patients traités par immunothérapie. Dans un deuxième temps, nous avons évalué si cette signature permettait d’évaluer la réponse clinique de patients traités par radiothérapie et immunothérapie, et dans quelle mesure elle pouvait être utilisée pour évaluer l’hétérogénéité spatiale tumorale. Les défis spécifiques posés par les données d’imagerie de haute dimension dans le développement d’outils prédictifs applicables en clinique sont discutés dans cette thèse.

With the advent of immune checkpoint inhibitors, immunotherapy has profoundly changed the therapeutic strategy of many cancers. However, despite constant therapeutic progress and combinations of treatments such as radiotherapy and immunotherapy, the majority of patients treated do not benefit from these treatments. This explains the importance of research into innovative biomarkers of response to immunotherapyComputational medical imaging, known as radiomics, analyzes and translates medical images into quantitative data with the assumption that imaging reflects not only tissue architecture, but also cellular and molecular composition. This allows an in-depth characterization of tumors, with the advantage of being non-invasive allowing evaluation of tumor and its microenvironment, spatial heterogeneity characterization and longitudinal assessment of disease evolution.Here, we evaluated whether a radiomic approach could be used to assess tumor infiltrating lymphocytes and whether it could be associated with the response of patients treated with immunotherapy. In a second step, we evaluated the association of this radiomic signature with clinical response of patients treated with radiotherapy and immunotherapy, and we assessed whether it could be used to assess tumor spatial heterogeneity.The specific challenges raised by high-dimensional imaging data in the development of clinically applicable predictive tools are discussed in this thesis.