Exploration d'images et ADNct pour améliorer la stratification des risques et la prévision des résultats dans le CPNPC en appliquant l'intelligence artificielle.

Notre hypothèse centrale est que les caractéristiques génétiques particulières dérivées de l'image sont cohérentes avec le stade de la maladie et l'évolution du patient. Ce sont donc des biomarqueurs de la charge de morbidité et des rechutes, qui peuvent être évalués de manière non invasive. La combinaison, grâce à des méthodes d’intelligence artificielle, de données provenant de l’imagerie médicale et de l’ADN tumoral acellulaire circulant (ADNct) peut fournir une prédiction précise du stade et des résultats. Cette hypothèse a été formulée sur la base de la preuve que les images médicales sont capables de fournir des données significatives reflétant les caractéristiques de la tumeur, capturant l'hétérogénéité intrinsèque de la tumeur, de manière non invasive, en utilisant une évaluation du corps entier et de la lésion entière. En fait, ces dernières années, l’analyse avancée de l’imagerie médicale à l’aide de la radiomique, de l’apprentissage automatique ou en combinaison avec l’exploration d’images a été explorée. Des biomarqueurs dérivés d'images, au moyen de l'extraction de caractéristiques de texture et de l'application de réseaux neuronaux convolutifs, ont été testés pour fournir des informations sur le « phénotype » (malin ou bénin, identification de l'histotype et stadification T ou N). De plus, des corrélations entre les caractéristiques quantitatives dérivées de l'image et les modèles d'expression des gènes dans les tissus ont été démontrées, reliant les phénotypes d'imagerie au génotype, comme l'ont également démontré nos données préliminaires. Deuxièmement, une approche d'exploration d'images a été proposée pour fournir des informations pronostiques lors de l'évaluation de base, comme l'ont également montré nos travaux précédents. Pourtant, peu d’études prospectives dotées d’une approche méthodologique robuste ont été publiées. D’autre part, l’analyse de l’ADN tumoral acellulaire circulant (ADNct) isolé du plasma de patients atteints d’un cancer du poumon a été proposée comme méthode alternative pour évaluer la maladie dans les différentes phases. En particulier, au moment du diagnostic, la détection post-chirurgicale de la maladie résiduelle, l'identification des mutations dans le contexte métastatique pour l'orientation thérapeutique et le suivi de la réponse au traitement. Même si l'ADNc a été détecté chez des patients à tous les stades du CPNPC, avec des niveaux augmentant avec le stade et la charge tumorale, les informations sur l'ADNc n'ont pas encore été explorées aux fins de stadification. La possibilité de détecter une tumeur dans la phase précoce de son développement ou lors de sa récidive doit être confrontée au problème de la faible quantité de cfDNA chez les patients présentant une charge de morbidité minimale. De plus, la présence d’un fond para-physiologique d’ADNc, notamment chez les personnes âgées, affecte la spécificité. À cet égard, les enquêteurs s'attendent à ce que la combinaison de différents biomarqueurs permette de résoudre ce problème. Les analyses d'intelligence artificielle sont de plus en plus décrites dans les applications de santé. Ces dernières années, des méthodes d’apprentissage automatique supervisées, semi-supervisées et non supervisées ont été appliquées pour analyser les données génomiques, protéomiques, cliniques et les caractéristiques radiographiques. Les méthodes d’apprentissage profond offrent des opportunités d’analyse complète de données multidimensionnelles pour une meilleure prédiction du pronostic. La justification du projet proposé est que, une fois que l'on saura quelles caractéristiques d'imagerie et informations dérivées de l'ADNct sont liées au stade de la tumeur et au risque postopératoire de rechute, l'algorithme développé constituera une approche efficace et innovante pour la stadification et le suivi. -up des patients atteints d'un cancer du poumon, avec des implications sur la prise de décision dans la pratique clinique.