Développement de plateformes cliniquement hautement efficaces pour le traitement individualisé du cancer du col de l'utérus

Pour l'objectif 1. La délimitation automatique des cibles tumorales complexes pour le cancer du col de l'utérus pour le volume brut de la tumeur (GTV) au départ et à la curiethérapie et le volume cible clinique à haut risque (CTV) au départ et à la curiethérapie sera effectuée sur l'IRM.

Les structures suivantes seront traitées pour l'automatisation sur CT

1. Volume cible clinique à faible risque (CTV à faible risque)
2. GTV : Nodal
3. Volume cible pelvien nodal électif
4. Volume nodal pelvien et paraaortique électif
5. Rectum
6. Vessie
7. Sigmoïde
8. Intestin
9. Moelle

Pour l'objectif 2. L'enquêteur a l'intention d'utiliser l'apprentissage automatique pour développer des modèles de prédiction de la toxicité des tissus normaux plus robustes. D'autres techniques avancées telles que l'analyse de la texture des cartes de dose de rayonnement et le suivi de la densité des tissus seront également réalisées pour développer des modèles prédictifs de toxicité. En utilisant nos ensembles de données de patients, l'investigateur souhaite créer une bibliothèque de plans de faisceaux de protons avec les systèmes de planification de protons qui seront disponibles dans le département de radio-oncologie et en utilisant les parcelles de complications des tissus normaux développées disponibles, les informations sur les doses réalisables par les protons peuvent aider à identifier patients qui bénéficieront de la protonthérapie.

Pour l'objectif 3. Dans le cadre de ce projet, l'investigateur a l'intention d'intégrer les caractéristiques de stadification, de pathologie et de texture d'imagerie quantitative pour la prédiction de la réponse et l'identification de la "cohorte à haut risque" dans le cancer du col de l'utérus. Les images et les données cliniques des patients qui ont une IRM au départ seront incluses. Les caractéristiques de texture peuvent être utilisées pour classer les "bons" et les "mauvais répondeurs" après la chimioradiothérapie. Pour la même cohorte de patients, l'investigateur dispose également de tissus, y compris les résultats de biomarqueurs supplémentaires (comme AKT, LICAM, PDL1, CD4 et CD8). L'enquêteur a l'intention de corréler d'abord les différences de caractéristiques de texture et de voir s'il existe un modèle de caractéristiques moléculaires différentes. Dans la deuxième étape, l'imagerie et les caractéristiques moléculaires pourraient être intégrées pour développer des "modèles de prédiction des risques". GTV et HRCTV délimités sur 150 ensembles de données au départ et la curiethérapie dans l'objectif 1 seront utilisés pour catégoriser les répondeurs et les non-répondeurs et valider 150 autres ensembles de données de patients.