Modélisation spatio-temporelle et outils d'IA pour l'analyse dose-réponse et la prédiction de lésions cérébrales et de troubles cognitifs radio-induits chez des patients traités par radiothérapie pour un glioblastome.

Spatio-temporal modeling and AI tools for dose-response analysis and prediction of radiation-induced brain damage and cognitive impairment in patients treated with radiotherapy for glioblastoma.

• Auteur / Autrice : Théo Silvestre
• Direction : Sophie Ancelet, Florence Forbes
• Type : Projet de thèse
• Discipline(s) : Biostatistiques et data sciences
• Date : Inscription en doctorat le 17/10/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Santé Publique
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'épidémiologie des rayonnements ionisants
• Partenaire(s) de recherche : Référent : Faculté de médecine

Mots clés

Mots clés libres

Statistique bayésienne

Radiothérapie

Modélisation probabiliste

Imagerie cérébrale

Apprentissage statistique

Probabilistic modelling

Statistical learning

Radiotherapy

Brain imaging

Bayesian statistics

Résumé

La radiothérapie (RT) est l'un des traitements les plus importants pour les tumeurs cérébrales. Cependant, sa toxicité potentielle sur le système nerveux central est une question clinique d'intérêt. Elle fait également partie des questions de recherche prioritaires en radioprotection, concernant l'identification et la prévention des effets secondaires non cancéreux liés à l'utilisation des rayonnements ionisants (RI) à des fins thérapeutiques. Cette thèse s'inscrit dans le projet de recherche ANR RADIO-AIDE (RADIation-induced neurOtoxicity assessed by ST modeling and Artificial Intelligence after brain raDiothErapy). Son objectif est de développer des modèles spatio-temporels (ST) et des outils d'intelligence artificielle (IA) pour : a) estimer les associations potentielles entre la progression ST de lésions cérébrales radio-induites visualisées à l'IRM, la répartition spatiale de la dose de RI absorbée au cerveau et l'occurrence de troubles cognitifs chez des patients traités par RT pour un glioblastome; b) prédire l'occurrence individuelle de ces troubles cognitifs à un stade précoce après la RT, avec une quantification des incertitudes de prédiction associées. Les travaux menés s'appuieront sur les données de la cohorte EpiBrainRad incluant actuellement 224 patients traités par chimio-radiothérapie pour un glioblastome à l'Hôpital de la Pitié-Salpêtrière (Paris) ou à l'ICANS (Strasbourg). Pour chaque patient, les données comprennent : a) des caractéristiques cliniques (âge, sexe, …) ; b) des IRMs cérébrales multimodales c) des images de tomodensitométrie utilisées dans la planification du traitement par RT cérébrale ; d) les résultats d'une batterie étendue de tests cognitifs réalisés avant RT et à 12, 24 et 36 mois après RT. Bien que différents types de lésions cérébrales soient considérées dans le projet RADIO-AIDE (i.e., atrophie cérébrale, leuco-encéphalopathie, radionécrose, lésions vasculaires, oedèmes), la thèse portera prioritairement sur les lésions caractérisées par des hyper-intensités au niveau des IRMs cérébrales. Le premier axe de travail consistera à développer, mettre en oeuvre, valider et mettre en évidence les apports de modèles ST et d'algorithmes d'apprentissage statistique bayésiens (potentiellement enrichis de techniques récentes issues des réseaux de neurones ou de l'IA) pour l'estimation des relations dose-réponse d'intérêt à partir des données EpiBrainRad et de jeux de données simulées. Le deuxième axe de la thèse aura pour objectif de rendre compte des incertitudes associées à la prédiction de scores cognitifs post-RT cérébrale à partir de la localisation d'hyper-intensités de la substance blanche, de la distribution spatiale de la dose à l'échelle du voxel et de covariables annexes. Plusieurs approches pourront être comparées. L'une d'entre elles pourra consister à mettre en oeuvre les modèles ST précédemment définis dans un cadre prédictif bayésien afin de prédire l'évolution temporelles de scores cognitifs. Une autre approche pourra consister à mettre en œuvre des techniques récentes de quantifications d'incertitude en IA et/ou encore à explorer une approche par Deep Learning bayésien.

Radiotherapy (RT) is one of the most important treatments for brain tumors. However, its potential toxicity on the central nervous system is a clinical issue of current interest. It is also one of the priority research questions in radiation protection, concerning the identification and prevention of non-cancerous side effects related to the use of ionizing radiation (IR) for therapeutic purposes. This thesis is part of the ANR research project RADIO-AIDE (RADIation-induced neurOtoxicity assessed by ST modeling and Artificial Intelligence after brain raDiothErapy). Its objective is to develop spatio-temporal (ST) models and artificial intelligence (AI) tools to: a) estimate the potential associations between the ST progression of radiation-induced brain MRI lesions, the spatial distribution of the absorbed dose to the brain and the occurrence of cognitive impairments in patients treated by RT for glioblastoma; b) predict the individual occurrence of these impairments at an early stage after RT, with a quantification of the associated prediction uncertainties. The thesis will be based on data from the prospective EpiBrainRad cohort currently including 224 patients treated with chemo-radiotherapy for glioblastoma at the Hôpital de la Pitié-Salpêtrière (Paris) or at ICANS (Strasbourg). For each patient, the data include : a) clinical characteristics (age, sex, ...); b) multimodal brain MRIs; c) CT images used in the planning of brain RT treatment; d) results of an extensive battery of cognitive tests performed before RT and at 12, 24 and 36 months after RT. Although different types of brain lesions are considered in the RADIO-AIDE project (i.e., cerebral atrophy, leukoencephalopathy, radionecrosis, vascular lesions, oedemas), the thesis will focus on lesions characterized by hyper-intensities in brain MRI. The first step of the thesis will consist in developing, implementing from the EpiBrainRad data and simulated datasets, validating and highlighting the contributions of ST models and Bayesian statistical learning algorithms (potentially enriched with recent techniques from neural networks or AI) for the estimation of dose-response relationships. The second step of the thesis will aim at accounting for the uncertainties associated with the prediction of post-RT cognitive scores based on the localization of white matter hyperintensities, the spatial distribution of the brain dose at the voxel scale and related covariates. Several approaches could be compared. One of them could be to implement the ST models previously defined in a Bayesian predictive framework to predict the temporal evolution of cognitive scores. Another approach could be to implement recent techniques of uncertainty quantification in AI and/or to explore a Bayesian Deep Learning approach.