Analyse par apprentissage profond d'images histopathogiques à haute résolution et quantité limitée : cas d'usage pour le sous-typage et la réponse au traitement- du lymphome diffus

Deep learning-based analysis of high-resolution histopathogical images and limited quatitity : a use for diffuse lymphoma subtyping and tratement response

• Auteur / Autrice : Bilel Guetarni
• Direction : Dominique Collard, Feryal Windal, Halim Benhabiles
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 02/12/2024
• Etablissement(s) : Centrale Lille Institut
• Ecole(s) doctorale(s) : École graduée Sciences de l’ingénierie et des systèmes (Lille ; 2021-....)
• Partenaire(s) de recherche : Laboratoire : Institut d'Electronique, de Microélectronique et de Nanotechnologie - Institut d'Electronique, de Microélectronique et de Nanotechnologie - Institut d’Électronique- de Microélectronique et de Nanotechnologie - UMR 8520 / IEMN
• Jury : Président / Présidente : Rachid Jennane
• Jury : Examinateurs / Examinatrices : Dominique Collard, Feryal Windal, Halim Benhabiles, Nicolas Loménie, Elsa D. Angelini
• Jury : Rapporteurs / Rapporteuses : Rachid Jennane, Nicolas Loménie
• DOI : 10.70675/93e6bc70z1f4bz403ez965azaa30f55adc91

Mots clés

Mots clés contrôlés

Apprentissage automatique

Vision par ordinateur en médecine

Immunophénomarquage

Traitement d'images

Lymphome diffus à grandes cellules B

Mots clés libres

Apprentissage Machine

Vision par ordinateur

Sous-Typage moléculaire cancer

Classification d'images

Machine Learning

Computer Vision

Cancer molecular subtyping

Image classification

Résumé

Le cancer est une des principales causes de mortalité mondiale, avec près de 10 millions de décès en 2022, dont 1,5 million en Europe. Les lymphomes non hodgkiniens (LNH) sont des cancers du système immunitaire et sont responsables de plus de 250 000 décès en 2022. En France, l'incidence des LNH a augmenté de 21% entre 1998 et 2017, et les projections prévoient une augmentation significative des cas et des décès d'ici 2045. Le lymphome diffus à grandes cellules B (LDGC-B) est le type le plus courant de LNH, avec deux sous-types moléculaires identifiés grâce aux techniques de profilage des expressions génétiques : ABC et GCB, dont le premier se caractérise par un taux de survie plus faible et la nécessité d'apporter un traitement spécifique. Plusieurs méthodes existent pour déterminer le sous-type de LDGC-B dont la RT-MLPA (technique moléculaire), l'immunohistochimie et l'examen de tissu coloré à l'hématoxyline-éosine. Néanmoins, ces méthodes ont des limitations en termes de coût, de temps et de précision. Dans cette thèse, nous proposons d'étudier le potentiel que peuvent apporter les méthodes basées sur l'apprentissage machine et le deep learning pour améliorer le diagnostic des patients atteints de LDGC-B, à la fois en termes de sous-typage moléculaire mais également pour la prédiction de la réponse au traitement. Grâce à l'acquisition d'images histopathologiques à haute résolution, nous proposons deux méthodologies aboutissant à des modèles capables de prédire le sous-type moléculaire et la réponse au traitement d'un patient à partir de ces images. Les résultats expérimentaux de ces travaux ont montré l'apport potentiel que peuvent apporter ces méthodes pour le diagnostic du LDGC-B mais également une capacité à se généraliser à d'autres types de cancers et tâches de prédiction.

Cancer is one of the leading causes of death worldwide, with almost 10 million deaths in 2022, including 1.5 million in Europe. Non-Hodgkin's lymphomas (NHL) are cancers of the immune system, and are responsible for more than 250,000 deaths in 2022. In France, the incidence of NHL rose by 21% between 1998 and 2017, and projections predict a significant increase in cases and deaths by 2045. Diffuse large B-cell lymphoma (DLBCL) is the most common type of NHL, with two molecular subtypes identified using gene expression profiling techniques: ABC and GCB, the former of which is characterized by a lower survival rate and the need for specific treatments. Several methods exist to determine the DLBCL subtype, including RT-MLPA (molecular technique), immunohistochemistry and examination of hematoxylin-eosin-stained tissue. Nevertheless, these methods have limitations in terms of cost, time and accuracy. In this thesis, we propose to investigate the potential of machine learning and deep learning-based methods to improve the diagnosis of patients with DLBCL, both in terms of molecular subtyping but also for the prediction of treatment response. Thanks to the acquisition of high-resolution histopathological images, we propose two methodologies leading to models capable of predicting a patient's molecular subtype and treatment response from these images. The experimental results of these works have demonstrated the potential contribution of these methods to the diagnosis of DLBCL, but also their ability to be generalized to other types of cancer and predictive tasks.