Développements méthodologiques pour l’utilisation de caractéristiques radiomiques

La radiomique est une discipline basee sur le calcul de parametres a partir d’images medicales et de leur analyse pour predire, par exemple, la nature d’une lesion ou sa reponse a un traitement. En cancerologie, l’avantage de la radiomique est que contrairement aux biopsies, les images medicales fournissent des informations anatomiques, fonctionnelles et moleculaires concernant l'integralite de la tumeur, voire l'ensemble des foyers tumoraux, ainsi que de l'environnement tumoral. Neanmoins, l’utilisation de la radiomique implique le developpement de methodes specifiques pour extraire des parametres radiomiques, gerer des donnees heterogenes, determiner si les donnees contiennent de l’information utile pour une tâche, ou encore tester la validite des conclusions obtenues a partir de cohortes de faible effectif. Notre travail a traite de certains de ces problemes. Tout d’abord, il n'existe pas vraiment de methodes permettant de le determiner si les images contiennent des informations pertinentes pour le probleme que l’on souhaite resoudre, et nous nous sommes donc interesses a cette question. Pour cela, nous avons d’abord considere la representation des donnees au moyen des cartes de chaleur. Notre etude confirme qu'il est possible de trouver des groupes de patients presentant des caracteristiques communes sur ces cartes de chaleur. Cependant, nous n’avons pas reussi a identifier une methode fiable pour predire l'appartenance des patients a une classe a partir des donnees structurees au moyen de cartes de chaleur. Nous avons alors mis en œuvre des methodes d'apprentissage automatique, en etudiant le comportement des performances des modeles developpes avec la technique de validation croisee en fonction de l'effectif de patients utilise pour differentes methodes de classification. Les tendances observees nous ont permis de developper une methode qui predit les performances qui peuvent etre obtenues avec une grande cohorte, et donc de conclure a la presence d’informations, ou non, dans les donnees, pour une tâche de classification binaire donnee. Ensuite, afin de pouvoir exploiter les cohortes de faibles effectifs lorsqu'elles contiennent de l'information, une methode basee sur l'utilisation des valeurs des parametres extraits a l'echelle du voxel a ete mise au point. Cette methode permet, a effectifs egaux, d'obtenir des performances non significativement differentes de celles obtenues avec les donnees issues de l'analyse globale du volume d'interet. De plus, les performances estimees sur les donnees d’apprentissage s’averent tres proches de celles observes ensuite sur un ensemble de test, ce qui permet d’exploiter d’emblee tous les patients pour concevoir le modele. Enfin, ces differents developpements methodologiques ont ete appliques a diverses problematiques cliniques, en collaboration avec des collegues medecins nucleaires ou radiologues : le diagnostic differentiel entre endocardites sur prothese de valve et inflammation non specifique a partir d’images TEP au FDG, la classification de tumeurs du poumon a partir d’IRM, et la prediction de la reponse a la chimiotherapie neoadjuvante a partir d’images TEP au FDG de patientes atteintes de cancer du sein triple negatif