Prédiction multimodale et robuste des toxicités de la radiothérapie : fusion de modèles de fondation et adaptation de domaine pour données à faible régime
Description
La radiothérapie constitue une modalité essentielle du traitement du cancer permettant de détruire sélectivement les cellules tumorales et contrôler la progression de la maladie. Bien qu’efficace dans de nombreux cancers, elle peut également endommager les tissus sains environnants, entraînant des effets indésirables susceptibles de compromettre la qualité de vie des patients [1]. Il devient donc fondamental de prédire la toxicité des traitements afin d’anticiper les complications et d’adapter la planification thérapeutique à chaque patient.
Plusieurs études ont exploré l’utilisation de l’IA pour prédire les toxicités induites par la radiothérapie [2]. La majorité d’entre elles se basent sur des techniques conventionnelles explorant principalement des caractéristiques radiomiques. Dans une étude récente, Elhaminia et al. [3] ont montré que les modèles CNN multimodaux, combinant des images de types CT-scan ainsi que des données cliniques et dosimétriques des patients, permettent d’améliorer les performances de prédiction. Cependant, les modèles proposés dans la littérature sont entraînés sur des bases de données de petite taille, souvent constituées d’un faible nombre de patients et centrées sur un seul type de cancer, ce qui restreint fortement leur capacité de généralisation. De plus, aucun de ces modèles n’exploite encore les modèles de fondation alors que ces derniers présentent un terrain prometteur comme nous avons pu le montrer dans l’un de nos travaux récents sur la prédiction de la réponse au traitement du lymphome [4].
L’objectif principal de cette thèse est de développer des modèles prédictifs des toxicités induites par la radiothérapie qui soient robustes, précis et transposables à différents contextes cliniques. Plus spécifiquement, le travail vise à exploiter les modèles de fondation afin d’extraire des représentations de haut niveau, capables de capturer des caractéristiques complexes et discriminantes issues des images et des données dosimétriques. Il s’agira ensuite de concevoir des stratégies de fusion inter-modale et inter-modèle, permettant d’intégrer à la fois les représentations des différents espaces latents par modalité (CT, PET, données cliniques et dosimétriques) et par modèle de fondation, afin de tirer parti de leur complémentarité. Enfin, des techniques d’adaptation de domaine seront explorées pour transférer ces représentations enrichies vers un type de cancer spécifique, permettant d’entraîner des modèles performants même avec des ensembles de données limités.
Le sujet de cette thèse porté par Halim Benhabiles émerge de son projet de mobilité recherche EULiST au sein du laboratoire LAIMBIO (Medical Image Analysis and Biometrics Laboratory) de l’URJC (Université Rey Juan Carlos) de Madrid. Un des objectifs de cette mobilité est de finaliser la proposition scientifique de la thèse en codirection avec le professeur Norberto Malpica. La collaboration mobilisera également d’autres enseignants chercheurs aux expertises complémentaires en analyse de données médicales notamment Vincent Jaouen de l’IMT Atlantique/LATIM. Du côté IMT Nord Europe, le ou la futur(e) jeune enseignant(e)-chercheur(euse) qui viendra renforcer l’axe HIDE et dont le recrutement est prévu en décembre 2025, sera associé(e) au projet. Le projet bénéficiera également du soutien du centre de radiothérapie de Madrid (Centro de Protonterapia Quironsalud) ainsi que le centre de lutte contre le cancer Oscar Lambret de Lille offrant un accès aux données médicales variées pour l’expérimentation et la validation des approches développées et une expertise clinique pour l’interprétation des résultats et l’évaluation de leur pertinence médicale. Le financement de cette thèse permettra de renforcer les liens entre les différents établissements, ouvrira la voie à des mobilités dans les différentes structures et notamment entre la France et l’Espagne et permettra de créer un socle solide pour préparer conjointement des appels à projet européens
Bibliographie
Bibliographie
[1] Verginadis, I. I., Citrin, D. E., Ky, B., Feigenberg, S. J., Georgakilas, A. G., Hill-Kayser, C. E., ... & Lin, A. (2025). Radiotherapy toxicities: mechanisms, management, and future directions. The Lancet, 405(10475), 338-352.
[2] Isaksson, L. J., Pepa, M., Zaffaroni, M., Marvaso, G., Alterio, D., Volpe, S., ... & Jereczek-Fossa, B. A. (2020). Machine learning-based models for prediction of toxicity outcomes in radiotherapy. Frontiers in oncology, 10, 790.
[3] Elhaminia, B., Gilbert, A., Scarsbrook, A., Lilley, J., Appelt, A., & Gooya, A. (2025). Deep learning combining imaging, dose and clinical data for predicting bowel toxicity after pelvic radiotherapy. Physics and Imaging in Radiation Oncology, 33, 100710.
[4] Guetarni, B., Windal, F., Benhabiles, H., Chaibi, M., Dubois, R., Leteurtre, E., & Collard, D. (2024). Histopathology Image Embedding Based on Foundation Models Features Aggregation for DLBCL Patient Treatment Response Prediction. MICCAI workshop (pp. 150-159)
