Application des techniques d’intelligence artificielle à la prédiction de la toxicité en radiothérapie

Applications of artificial intelligence for toxicity prediction in radiotherapy

• Auteur / Autrice : Lucía Cubero Gutiérrez
• Direction : Oscar Acosta, Javier Pascau
• Type : Thèse de doctorat
• Discipline(s) : Signal, image, vision
• Date : Soutenance le 30/05/2025
• Etablissement(s) : Université de Rennes (2023-....) en cotutelle avec Universidad Carlos III, Madrid
• Ecole(s) doctorale(s) : MATISSE
• Partenaire(s) de recherche : Laboratoire : Laboratoire Traitement du Signal et de l'Image (1969-.... ; Rennes)
• Jury : Président / Présidente : Felipe Calvo Manuel
• Jury : Examinateurs / Examinatrices : Oscar Acosta, Javier Pascau, Renaud de Crevoisier, Joël Castelli
• Jury : Rapporteurs / Rapporteuses : Maria Francesca Spadea, Eliana Vásquez Osorio

Mots clés

Mots clés contrôlés

Apprentissage profond

Intelligence artificielle en médecine

Radiothérapie

Cancer cervicofacial

Mots clés libres

Radiothérapie

Cancer de la tête et du cou

Toxicité

Intelligence artificielle

Apprentissage profond

Radiotherapy

Head and neck cancer

Toxicity

Artificial intelligence

Deep learning

Résumé

Un défi majeur de la radiothérapie des cancers de la tête et du cou réside dans l’évaluation et la prédiction précises des toxicités liées au traitement, en particulier la dysphagie et la xérostomie. Cette thèse répond à ce défi en améliorant la segmentation des organes à risque (OAR), en développant des méthodes objectives d’évaluation de la toxicité et en affinant les modèles dose-réponse. Un cadre basé sur l’apprentissage profond a été développé pour la segmentation automatique de 25 organes à risque sur des images CT et CBCT, démontrant de bonnes performances et une acceptabilité clinique. En s’appuyant sur cette base de segmentation, la thèse introduit de nouveaux outils pour l’évaluation des toxicités. Nous présentons tout d’abord une chaîne d’analyse entièrement automatisée des études vidéofluoroscopiques de la déglutition, permettant une évaluation quantitative et objective de la dysphagie. Pour la xérostomie, nous proposons une approche de modélisation dose-réponse à l’échelle voxel, afin de dépasser les métriques globales traditionnelles et d’identifier des sous-régions associées aux symptômes. Ensemble, ces contributions méthodologiques posent les bases de stratégies de radiothérapie plus personnalisées et attentives aux toxicités pour les patients atteints de cancers de la tête et du cou.

A critical challenge in head and neck cancer (HNC) radiotherapy is the accurate assessment and prediction of treatment-related toxicities, particularly dysphagia and xerostomia. This thesis addresses this challenge by advancing organ-at-risk (OAR) segmentation, developing objective toxicity assessment methods, and refining dose-response modeling. A deep learning framework was developed for the automatic segmentation of 25 OARs in CT and CBCT images, demonstrating strong performance and clinical acceptability. Building on this segmentation foundation, the thesis introduces novel tools for toxicity evaluation. We first present a fully automated pipeline for analyzing videofluoroscopic swallowing studies, enabling quantitative and objective dysphagia assessment. For xerostomia, we propose a voxel-based doseresponse modeling approach to move beyond traditional global metrics, enabling the identification of symptom-related subregions. Together, these methodological contributions lay the groundwork for more personalized and toxicity-aware radiotherapy strategies in HNC.