EPM-IA-Diag : Etude analytique Prospective Multicentrique exploitant l'Intelligence Artificielle en temps réel pour optimiser le Diagnostic de détection des tumeurs de la vessie

Real-time Prospective Multicenter Analytical Study Employing Artificial Intelligence to Enhance Bladder Tumor Detection Diagnosis

• Auteur / Autrice : Haithem Dahimi
• Direction : Mhand Hifi, Fabien Saint
• Type : Projet de thèse
• Discipline(s) : Informatique Recherche opérationnelle et optimisation-25DIN3
• Date : Inscription en doctorat le 12/02/2025
• Etablissement(s) : Amiens
• Ecole(s) doctorale(s) : Sciences, Technologie, Santé
• Partenaire(s) de recherche : Laboratoire : EPROAD - Unité de recherche Eco-Procédés, Optimisation et aide à la décision

Mots clés

Mots clés libres

Tumeurs de la vessie

Prédiction

Diagnostic

Réduction des erreurs

Intelligence Artificielle

Individualiser la prise en charge

Error reduction

Diagnosis

Bladder tumors

Customizing care for each individual

Artificial Intelligence

Prediction

Résumé

Cette étude vise à transformer le paysage du diagnostic et du suivi des tumeurs de la vessie en intégrant un outil de pointe basé sur l'Intelligence Artificielle (IA) à la cystoscopie, une méthode dont les performances actuelles sont insatisfaisantes. L'objectif principal est de résoudre les problèmes liés aux erreurs diagnostiques et aux incertitudes dans le suivi des patients atteints de ces tumeurs. Cela se traduirait par l'établissement d'une nouvelle norme de cartographie diagnostique de la vessie, caractérisée par une sensibilité et une spécificité élevées, ainsi qu'une précision inégalée dans le diagnostic. Cette démarche novatrice vise à élever les standards en fournissant des informations diagnostiques d'une précision sans précédent. En parallèle, l'objectif est d'homogénéiser et de systématiser la description des lésions détectées en utilisant des techniques d'intelligence artificielle pour caractériser de manière approfondie l'agressivité tumorale. Cette approche renforcera la compréhension des caractéristiques spécifiques des tumeurs de la vessie, ouvrant ainsi la voie à une prise en charge encore plus individualisée des patients. Par ailleurs, cette étude s'intéresse à la validation d'un nouvel outil de précision qui agira comme un compagnon diagnostique essentiel. Son rôle sera de contribuer au développement et à la normalisation des stratégies thérapeutiques pour les tumeurs de la vessie, tout en réduisant les variations d'interprétation entre les observateurs. Enfin, l'étude envisage également de proposer un modèle prédictif basé sur l'apprentissage approfondi pour améliorer encore davantage le diagnostic et le suivi des patients.

The proposed study aims to significantly advance bladder tumor diagnosis and monitoring by integrating a state-of-the-art Artificial Intelligence (AI)-based tool with cystoscopy, a method currently in need of improvement in terms of its performance. The primary goal of the proposed study is to enhance diagnostic accuracy and reduce uncertainties in patient monitoring. Such an effort will result in the establishment of a new standard for bladder diagnostic mapping characterized by high sensitivity, specificity, and unparalleled diagnostic precision. The designed approach aims to elevate standards by providing diagnostic information of unprecedented accuracy. Concurrently, the objective is to standardize and systematize lesion description using AI techniques for a comprehensive characterization of tumor aggressiveness. Thus, the initiative will deepen the understanding of bladder tumor characteristics, promoting even more personalized patient management. Moreover, the proposed study aims to validate a new precision tool that will serve as an essential diagnostic companion. Its role will be to contribute to the development and normalization of therapeutic strategies for bladder tumors while minimizing interpretation discrepancies among observers. Finally, the study seeks to propose a predictive model based on deep learning to further enhance diagnosis and patient monitoring.