IMAGERIE PREDICTIVE EN ONCOLOGIE : EVALUATION PRONOSTIQUE EN IMAGERIE DES PATIENTS PRESENTANT UN HEPATO-CHOLANGIOCARCINOME

Contexte : Les cancers primitifs du foie sont la troisième cause de décès liés au cancer dans le monde et constituent un problème de santé publique croissant. Ces cancers primitifs hépatiques constituent en réalité un groupe hétérogène de tumeurs malignes présentant des caractéristiques cliniques, histologiques, moléculaires différentes. Parmi ces tumeurs, le carcinome hépatocellulaire (CHC) et le cholangiocarcinome intra-hépatique (CCK) présentent respectivement une différentiation hépatocytaire et biliaire et sont situés aux deux extrémités du spectre des cancers primitifs du foie. Un troisième type, l'hépato-cholangiocarcinome (CHC-CCK), est une variante rare qui peut se présenter comme un mélange ou une coexistence des deux premiers types de cancer. Les facteurs de risque paraissent être les mêmes que ceux du CHC, à savoir la présence d’une maladie chronique du foie secondaire à une infection virale (hépatite B ou C), à l’alcool et/ou à l’obésité.

Si le CHC peut être diagnostiqué de manière fiable en imagerie en cas de maladie chronique du foie connue (cirrhose), le diagnostic de CHC-CCK est souvent plus difficile, avec des aspects équivoques en imagerie. La prise en charge clinique des patients atteints de CHC-CCK est discutée et, en raison de la rareté de ce cancer, il n'existe pas de recommandations thérapeutiques consensuelles. Les stratégies de traitement sont généralement extrapolées à partir des cas de CHC et de CCK. En conséquence, les patients atteints de CHC-CCK ne répondent souvent pas bien aux thérapies et ont des résultats cliniques limités. Il a récemment été démontré qu’un modèle d’apprentissage profond pouvait reclasser les tumeurs de CHC-CCK en tant que CHC ou CCK et que ces prédictions étaient cohérentes avec les résultats cliniques, les altérations génétiques et la distribution spatiale des profils d’expression génique in situ. Ce type d'approche pourrait améliorer les décisions thérapeutiques et avoir un impact sur la survie des patients atteints de CHC-CCK [1], [2] .

Objectifs : L’objectif de la thèse est d’identifier des biomarqueurs d’imagerie prédictifs de la survie des patients présentant un CHC-CCK à partir d’examens d’Imagerie par Résonance Magnétique (IRM) du foie, réalisés avec injection de produit de contraste. Une première étape pourrait être de développer un modèle de reclassement des CHC-CCK en CHC ou CCK à partir des données IRM.

Données : Le travail s’effectuera à partir d’une cohorte rétrospective d’environ 400 patients opérés pour un cancer primitif hépatique (CHC, CCK ou CHC-CCK) au sein du CHU Henri Mondor de Créteil entre 2010 et 2023 et ayant bénéficié d’une IRM hépatique avant chirurgie. Parmi ces examens, environ 150 ont d’ores et déjà été annotés et une segmentation manuelle 3D de la lésion a été réalisée par un radiologue spécialisé en imagerie hépatique. Un travail de collecte d’images supplémentaires et de préparation des données (tri, classification, annotation, validation par les experts…) est envisagé. Des données cliniques et biologiques incluant des analyses de génomique et de transcriptomique spatiale ont également été collectées.

Méthodes : Différentes approches de machine learning pourront être investiguées pour ce problème de classification et de prédiction, incluant des algorithmes de régression, des arbres de décision, des méthodes de clustering, et des réseaux de neurones convolutifs. En raison du caractère rare de ces tumeurs, des modèles hybrides incluant des modélisations physiques seront également investigués pour évaluer leur apport en comparaison des modèles statistiques et d’apprentissage.

Organisation du travail : Le doctorant sera accueilli à l’ESME sur le site d’Ivry-sur-Seine et sera sous la co-direction de thèse du Dr Yasmina Chenoune (Enseignante-chercheuse à l’ESME, HDR Université Paris Est) et du Pr. Sébastien Mulé (radiologue, HDR, service d’imagerie médicale, CHU Mondor de Créteil) et sera co-encadré par le Dr Mounir Lahlouh (Enseignant-chercheur à l’ESME). Des réunions de suivi régulières seront organisées soit à l’hôpital Mondor, soit à l’ESME.

Références 

[1] S. Mulé et al., « Automated CT LI-RADS v2018 scoring of liver observations using machine learning: A multivendor, multicentre retrospective study », JHEP Rep., vol. 5, p. 100857, juill. 2023, doi: 10.1016/j.jhepr.2023.100857.

[2] J. Calderaro et al., « Deep learning-based phenotyping reclassifies combined hepatocellular-cholangiocarcinoma », Nat. Commun., vol. 14, n^o 1, p. 8290, déc. 2023, doi: 10.1038/s41467-023-43749-3.

L’ESME est une école d’ingénieurs pluridisciplinaire qui propose des formations dans les domaines de la transition énergétique, de la robotique, des réseaux intelligents, des villes connectées, de l’intelligence artificielle, du big data et du numérique pour la santé.

Le traitement et l’analyse d’images biomédicales pour l’aide au diagnostic et la décision thérapeutique, la commande et la robotique médicale constituent des domaines de recherche actifs, en lien avec le domaine médical. Un intérêt particulier est porté aux outils d’intelligence artificielle et d’analyse de données volumineuses qui constituent des compétences transverses entres les différents pôles constituant l'ESME Research Lab qui est l'équipe de recherche de l'ESME.

Profil recherché : Le candidat doit être diplômé d’un Master 2 en Biomedical Engineering, Computer Science, Mathématiques, Physique ou tout autre domaine proche. Il doit posséder des compétences en Machine Learning et en Deep Learning pour l’analyse d’images. Le candidat doit avoir des connaissances en traitement/analyse d’image et avoir déjà expérimenté les approches par apprentissage. Un intérêt pour d'autres disciplines et pour les applications médicales serait un plus appréciable. De bonnes compétences en programmation sont essentielles (Matlab, Python). De bonnes aptitudes à la communication et à la rédaction, en particulier en anglais, sont des atouts précieux. Ce projet exige de bonnes capacités de communication, de travail et d’intégration dans un milieu pluridisciplinaire, académique et clinique.