Développement d'outils d'intelligence artificielle pour une aide au diagnostic differentiel entre radio- nécrose et progression tumorale après traitement des oligométastases cérébrales par radiothérapie stéréotaxique.

Objectif(s) de la recherche et intérêt pour la santé publique

Finalité de l'étude

Objectifs poursuivis

Domaines médicaux investigués

Bénéfices attendus

Notre étude s’inscrit dans le contexte des tumeurs cérébrales pour lesquelles le diagnostic, la planification du traitement et l'évaluation de l'efficacité des thérapies s’appuient fortement sur la neuro-imagerie. Ces techniques peuvent bénéficier des avancées analytiques fournies par l’intelligence artificielle avec des applications allant de la segmentation des tumeurs à la classification et à la prédiction de l'effet du traitement. Alors que la radiothérapie est centrale dans la gestion des oligo-métastases cérébrales, le diagnostic différentiel entre la nécrose radio-induite (RN) et la récidive tumorale (TR) après une radiothérapie stéréotaxique (SRT) demeure un « challenge » pour les cliniciens. La prise de décision est souvent basée sur l’imagerie et l'examen clinique car l'analyse histologique de la pièce opératoire de la zone suspecte comme méthode de référence est invasive. Une première étude utilisant la radiomique comme méthode d’extraction systématique des caractéristiques cachées des images de résonance magnétique (IRM) post-opératoires , a permis d'établir des signatures pour soutenir le diagnostic différentiel après SRT. Les performances des modèles obtenues dans cette première étude rétrospective étaient prometteuses et demandent maintenant à être confirmées à plus grande échelle sur d’autres cohortes rétrospectives et prospectives.
Nous proposons d'étendre et de consolider les résultats de nos modèles et de les préparer à une utilisation clinique avec comme objectif d'améliorer les performances des modèles actuellement développés pour le diagnostic différentiel entre TR et RN après SRT en les exposant à des cohortes plus importantes, à des sources de données plus riches et à des modèles prédictifs de pointe. Il s'agit de s'assurer que les modèles sont non seulement précis, mais aussi interprétables et résilients.

L'amélioration de la performance de nos modèles peut servir à relever un défi d’actualité dans le contexte clinique, avec le potentiel d'améliorer considérablement les résultats pour les patients. Finalement, nous souhaitons compléter l'imagerie morphologique et l'interprétation du radiologue par des prédictions basées sur la radiomique afin d'améliorer les performances diagnostiques/pronostiques de l'imagerie dans le cadre du suivi standard du patient, en particulier lorsque les lésions ciblées ou les zones anatomiques changent. Il faut souligner que la prise en charge précoce de la toxicité ou de la rechute tumorale offre les meilleures chances de contrôle local et de maintien de la qualité de vie.

La population d'étude correspond aux patients avec oligométastases cérébrales traitées par radiothérapie stéréotaxique. Les données cliniques anonymisées de patients (imageries de résonnance magnétique, de tomographie par émission de positron, données diagnostiques et de traitement) permettront d'optimiser des outils d'intelligence artificielle (réseaux de neurones artificiels et modèles fondamentaux) au cours de leurs différentes étapes d'apprentissage , de test et de validation.