Développement de Radiomics et de Stratégie d'Apprentissage Profond pour l'Ablation basée sur l'Electroporation combinée à l'Immunothérapie

Development of radiomics and deep learning strategies for electroporation based ablations combined with immunotherapy

• Auteur / Autrice : Eloïse Inacio
• Direction : Baudouin Denis de Senneville, Clair Poignard
• Type : Projet de thèse
• Discipline(s) : Mathématiques appliquées et calcul scientifique
• Date : Inscription en doctorat le 04/10/2021
• 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
• Partenaire(s) de recherche : Equipe de recherche : Calcul Scientifique et Modélisation

Mots clés

Mots clés libres

Apprentissage Profond

Radiomics

Traitement d'Image Médicale

Deep Learning

Radiomics

Medical Image Processing

Résumé

Les cancers du foie - et en particulier les carcinomes hépatocellulaires - sont parmis les cancers les plus dévastateurs avec une augmenation constante de la prévalence. Pour ces cancers, l'ablation par électroporation percutanée (EPA) combinée à l'imunothérapie a un fort potentiel. Cependant, cette technique d'ablation relativement récente combinée aux nouveaux traitements immunitaires souffre d'un manque de critère quantitatif pour évaluer la procédure. En effet, contrairement aux ablations par radiofréquence monopolaire, qui ne nécessite qu'une insertion d'aiguille et dont l'efficacité dépend directement de la carte de température, l'EPA nécessite entre 3 et 8 aiguilles et la répartition du champs électrique requiert des calculs précis et efficace encore à développer. De plus, la combinaison avec l'immunothérapie manque de biomarqueurs d'imagierie (radiomics) quantitatif pour classifier les patients au plus tôt. L'originalité de ce projet de doctorat est de proposer de développer des méthodes mathématiques et algorithmiques innovantes basées sur les principes de l'intelligence artificielle pour produire de nouveaux radiomics de la réponse immunitaire à l'EPA et l'immunothérapie combinés basés sur l'apprentissage profond pour mieux quantifier la réponse immunitaire après l'EPA. La tèse pourrait ouvrir de nouvelles perspectifes pour le traitement des patients atteints de tumeurs au foie et la preuve de concept pourrait appliquée aux cancers du pancréas et à d'autres cancers.

Liver cancers –and particularly hepatocellular carcinoma HCC- are among the most devastating cancers in the world with a constantly increasing prevalence. For these cancers electroporation percutaneous ablation (EPA) combined with immunotherapy holds great promises. However, this (relatively new) ablation technique combined with novel immune treatments suffers from a lack of quantitative criteria for the treatment assessment. Indeed, unlike monopolar radiofrequency ablations which mostly require only a single needle insertion and whose efficacy is directly linked to the temperature map, EPAs need 3 to even 8 needles, and the distribution of the electric field needs accurate and efficient computations still to be developed. In addition, the combination with immunotherapy suffers from a lack of quantitative imaging biomarkers (radiomics) to classify as soon as possible the patients. The originality of the PhD project lies in proposing to develop innovative artificial intelligence-based mathematical and algorithmic methods designed to produce a novel deep learning based radiomics signatures of the immune response to combinatorial EPAs and immunotherapy designed to better quantify the immune response after EPA. The thesis may open new perspectives for the care of patients with liver tumors, and the proof of concept could be applied to pancreas or other cancers