Développement et translation en routine clinique d'un modèle de deep learning pour la prédiction de récidive des gliomes

Le laboratoire de recherche IADI (Imagerie Adaptative Diagnostique et Interventionnelle) qui est une unité INSERM basée au sein du CHRU de Nancy-Brabois avec des compétences dans le traitement d’images et en intelligence artificielle. L’étudiant sera aussi en lien avec le CIC-IT qui a vocation à favoriser le développement de la recherche clinique dans les centres hospitaliers.

Contexte

Les gliomes représentent environ 80% des tumeurs malignes du système nerveux central (SNC). Ces tumeurs ont un mauvais pronostic avec une survie globale médiane de 15 mois pour les glioblastomes, le gliome le plus commun. Le traitement standard de ces tumeurs est composé d’une chirurgie suivie d’une radio-chimiothérapie concomitante avec un taux de récidive élevé dans la première année suivant le traitement. L’imagerie par résonnance magnétique (IRM) conventionnelle, modalité de référence en neuro-oncologie, est cependant mise en défaut dans le diagnostic différentiel entre changements dus au traitement (radionécrose) et potentielle récidive [1]. La TEP aux acides aminés est recommandée dans cette indication [2] car elle a l’avantage d’être plus spécifique que l’IRM et les radiotraceurs à base d’acides aminés traversent la barrière hémato-encéphalique, même non rompue, contrairement au Gadolinium en IRM. De nombreuses études dans la littérature ont montré les très bonnes performances de la TEP aux acides aminés à partir d’analyses simples de l’image [3,4] ou plus avancées avec une extraction massive de caractéristiques tumorales couplée à un modèle d’intelligence artificielle pour la classification [5] (Figure 1.A.). L’étape suivante consisterait à passer à une modélisation directe à partir de réseaux de neurones convolutifs (CNN) pour espérer atteindre de meilleures performances (Figure 1.B.). Cependant, une infime fraction des nombreux modèles développés dans la littérature sont utilisés par les médecins en routine clinique. Un des challenges associés à ce type de modélisation « boite noire » est donc leur translation en routine clinique. Celle-ci doit s’accompagner de méthodes d’interprétabilité et d’explicabilité du modèle afin de permettre l’acceptance et la confiance des médecins dans les prédictions du modèle.

Sujet

Le sujet de stage consistera à 1) développer un modèle de type CNN permettant de faire le diagnostic différentiel entre récidive et radionécrose à partir d’une base de données multicentrique et multi-imageur, 2) intégrer des méthodes d’interprétabilité et d’explicabilité du modèle entraîné (ex. Figure 2). Le stagiaire sera responsable d’analyser l’état de l’art et proposera ensuite différentes solutions. Il devra effectuer les différents développements sous Python afin d’assurer la continuité avec les travaux précédemment effectués. L’un des livrables attendu est un modèle pouvant être transposé en routine clinique pour aider le médecin nucléaire dans le diagnostic différentiel entre progression tumorale et remaniements post-thérapeutiques de gliomes.

Le (ou la) candidat(e) possède des connaissances avancées en intelligence artificielle et maitrise le langage Python. Une expérience en traitement d’images médicales serait également un plus pour ce stage. Ce stage pourra ensuite aboutir sur une proposition de thèse.