Radiomics and Artificial Intelligence for personalized treatment of HPV-induced cancers - Radiothérapie Moléculaire et Innovation Thérapeutique
Thèse Année : 2023

Radiomics and Artificial Intelligence for personalized treatment of HPV-induced cancers

Radiomique et Intelligence Artificielle pour un traitement personnalisé des cancers HPV-induits

Résumé

HPV-induced cancers account for a high proportion of locally advanced cervical can- cers (LACC), anal cancers, and oropharyngeal can- cers. In order to improve the management and treat- ment of these cancers, the development of ther- apeutic regimens combining complementary treat- ment modalities such as chemoradiotherapy (CRT) and immunotherapy appears to be a promising ther- apeutic option. In this context, the search for spe- cific biomarkers of treatment response remains a ma- jor challenge. Recent technological innovations in computer science, i.e. Machine Learning (ML) and Deep-Learning (DL) based on medical image anal- ysis, radiomics, could provide complementary and powerful tools for a better understanding of can- cer. Radiomics consists in extracting quantitative features from medical images, characterizing the tu- mor shape, its intensities on the image and its spa- tial heterogeneity. ML algorithms based on radiomic features have already demonstrated their ability to identify complex patterns allowing the development of robust phenotypic, prognostic and predictive mod- els.In this work, ML applied to oncology imag- ing, namely 18F-fluorodeoxyglucose positron emis- sion tomography (PET) ([18F]-FDG PET) and mag- netic resonance imaging (MRI), was explored as a potential tool for optimizing treatment of HPV- induced cancers. First, ML models based on clini-cal, biological and radiomic variables extracted from [18F]-FDG PET images were developed to predict patient survival. Second, because radiomic features are highly dependent on acquisition and reconstruc- tion parameters, a conditional generative adversarial network (cGAN) was trained to generate synthetic MR images robust to acquisition parameters. With the aim of translating these models into clinical prac- tice, a CycleGAN-based standardization method was trained on a retrospective cohort of patients treated for LACC and its contribution was evaluated on two clinical tasks: tumor stage classification and relapse prediction.Based on our results, survival prediction models using radiomic features extracted from [18F]-FDG PET images could predict survival outcomes using a common HPV signature in LACC, anal cancers, and oropharyngeal cancers. Results have been val- idated on external independent data sets, but the added value compared to conventional quantities such as metabolic tumor volume (MTV) remains to be demonstrated. We have shown the superiority of neural network-based MR images standardization compared to more conventional methods. In this thesis, we demonstrated that ML models could pave the way for reproducible radiomics in clinical routine that would in turn lead to personalized treatment of HPV-induced cancers.
Les cancers HPV induits sont responsables d’une forte proportion des cancers du col de l’utérus localement avancés (LACC), des cancers de l’anus et de l’oropharynx. Afin d’améliorer la prise en charge et le traitement de ces cancers, le développement de schémas thérapeutiques combinant des modalités de traitement complémentaires telles que la chimiora- diothérapie (CRT) et l’immunothérapie semble être une option thérapeutique prometteuse. Dans ce contexte, la recherche de biomarqueurs spécifiques à la réponse au traitement reste un enjeu majeur.Les récentes innovations technologiques en informa- tique, i.e. le Machine Learning (ML) et le Deep- Learning (DL) basé sur l’analyse d’images médicales, la radiomique, pourraient fournir des outils com- plémentaires et puissants pour une meilleure com- préhension du cancer. La radiomique consiste à extraire des caractéristiques quantitatives d’images médicales, caractérisant la forme de la tumeur, ses intensités sur l’image et son hétérogénéité spatiale.Les algorithmes de ML basés sur les caractéristiques radiomiques ont déjà démontré leur capacité à iden- tifier des motifs complexes permettant l’élaboration de modèles phénotypiques, pronostiques et prédictifs robustes.Dans ce travail, le ML appliqué à l’imagerie en oncologie, à savoir la tomographie par émission de positons (TEP) avec 18F-fluorodésoxyglucose ([18F]-FDG TEP) et l’imagerie par résonance mag- nétique (IRM), a été exploré comme outil potentiel pour l’optimisation du traitement des cancers HPV- induits. Dans un premier temps, des modèles MLbasés sur les variables cliniques, biologiques et ra- diomiques extraites des images TEP au [18F]-FDG ont été développés pour prédire la survie des pa- tients. Deuxièmement, étant donné que les car- actéristiques radiomiques dépendent fortement des paramètres d’acquisition et de reconstruction, un réseau conditionnel antagoniste génératif (cGAN) a été entraîné pour générer des images IRM synthé- tiques robustes aux paramètres d’acquisition. Dans le but de transposer ces modèles dans la pratique clinique, une méthode de standardisation basée sur un CycleGAN a été entraînée sur une cohorte rétro- spective de patients traités pour un LACC et sa con- tribution a été évaluée sur deux tâches cliniques : la classification du stade tumoral et la prédiction de rechute.D’après nos résultats, les modèles de prédic- tion de survie basés sur les caractéristiques ra- diomiques extraites des images TEP au [18F]-FDG pourraient prédire la survie avec une signature com- mune aux LACC, et aux cancers du canal anal et de l’oropharynx. Les résultats ont été validés sur des jeux de données indépendants, mais la valeur ajoutée par rapport aux grandeurs conventionnelles telles que le volume tumoral métabolique reste à démontrer.Nous avons montré la supériorité des réseaux de neurones pour la standardisation des images IRM en comparaison à des méthodes plus conventionnelles.Dans cette thèse, nous avons démontré que les mod- èles de ML pourraient ouvrir la voie à une radiomique reproductible en routine clinique, pour conduire à un traitement personnalisé des cancers HPV-induits.
Fichier principal
Vignette du fichier
116044_NIYOTEKA_2023_archivage.pdf (9.67 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04672724 , version 1 (19-08-2024)

Identifiants

  • HAL Id : tel-04672724 , version 1

Citer

Stéphane Niyoteka. Radiomics and Artificial Intelligence for personalized treatment of HPV-induced cancers. Cancer. Université Paris-Saclay, 2023. English. ⟨NNT : 2023UPASL056⟩. ⟨tel-04672724⟩
7 Consultations
6 Téléchargements

Partager

More