Prédiction par intelligence artificielle de l’efficacité des traitements des tumeurs cérébrales

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

Finalité de l'étude

Objectifs poursuivis

Domaines médicaux investigués

Bénéfices attendus

Les tumeurs cérébrales représentent une part non-négligeable des cancers chez l’homme, dont l’incidence continue à progresser. Malgré un traitement conventionnel associant la radiothérapie à la chimiothérapie, les patients présentant des glioblastomes (GBM) auront un pronostic de survie très variable, certains seront répondeurs aux traitements d’autres non. Le processus d’évaluation de réponse thérapeutique correspond à l’étude de la taille des lésions en IRM anatomique à différents temps post-traitement. Le problème est que la détection de l’efficacité mais surtout de la non-efficacité des thérapies n’est possible qu’environ deux mois après le début du traitement. Ce délai est très long au regard de la survie annoncée pour ces patients. Il serait donc très intéressant de pouvoir prédire quels sont les patients non-répondeurs avant même de commencer le traitement, sur des données pré-traitement comme l’IRM pré traitement, de façon à faire gagner aux patients encore de précieux mois sans devoir subir un traitement avec de potentiels effets indésirables, processus s’inscrivant pleinement dans la notion de médecine personnalisée.
La médecine personnalisée vise à considérer le patient comme une entité unique avec des variables spécifiques qui doivent être prises en compte afin d'adapter le diagnostic et les processus thérapeutiques. Cette approche doit être capable de gérer des données volumineuses et hétérogènes à des fins prédictives, et seule les récents développements en intelligence artificielle (IA) permettront d’atteindre cet objectif.
Il serait donc très intéressant de développer un modèle d'IA capable de prédire l'efficacité de traitement à partir d’imagerie IRM antérieures au traitement. Des premiers résultats ont été obtenu dans le cadre de deux thèses en 2023. Ces thèses ont permis de montrer la capacité des modèles d’IA de prédire, à partir de l’IRM pré-traitement, l’efficacité de la radio-chimiothérapie si elle était appliquée au patient.
Cependant ce projet précédant ne s’applique qu’aux données du Centre François Baclesse, car le modèle d’IA n’a appris que sur un type de donnée propre à ce centre. Le modèle d’IA est donc limité par les problèmes de portabilité à un autre centre hospitalier. Il serait donc intéressant de pouvoir proposer un modèle similaire à l'échelle de la fédération Unicancer.

Dans ce contexte, l'objectif du projet sera de développer un algorithme d'IA à apprentissage fédéré qui permettra la validation multicentrique d'une solution conçue pour prédire l'efficacité du traitement par radiothérapie sur les glioblastomes avant le début du traitement.

Les performances des modèles d’IA seront évaluées via les critères classiques en IA en comparant la différence entre les données prédites et les données réelles de terrain (mesure de sensibilité, spécificité, courbe ROC, indice de similarité etc…). L’analyse de donnée et les statistiques seront principalement réalisées en utilisant les librairies adéquates de data science de python (librairie scipy, numpy, sklearn…). Pour entrainer des modèles d’IA il est admis qu’il est nécessaire d’avoir plus de 200 patients avec chacun un nombre important d’image IRM.

La population d'étude sera composée de patients majeurs entre 18 et 80 ans présentant un glioblastome traités par radiothérapie dans les centres participants entre le 01/01/2018 et le 31/12/2025.