Prédiction par Deep Learning de la réponse complète après radiochimiothérapie pré-opératoire du cancer du rectum localement avancé

L’utilisation de systemes informatiques pour formaliser, organiser et planifier le traitement des patients a abouti a la creation et a l’accumulation de quantite importante de donnees. Ces informations comprennent des caracteristiques demographiques, socio-economiques, cliniques, biologiques, d’imagerie, et, de plus en plus, genomiques. La medecine et sa pratique, fondees sur la semiologie et la physiopathologie, vont etre profondement transformees par ce phenomene. La complexite et la quantite des informations a integrer pour prendre une decision medicale pourrait depasser rapidement les capacites humaines. Les techniques d’intelligence artificielle pourraient assister le medecin et augmenter ses capacites predictives et decisionnelles. La premiere partie de ce travail presente les types de donnees desormais accessibles en routine en oncologie radiotherapie. Elle detaille les donnees necessaires a la creation d’un modele predictif. Nous explorons comment exploiter les donnees specifiques a la radiotherapie et presentons le travail d’homogeneisation et de conceptualisation qui a ete realise sur ces donnees, notamment via la creation d’une ontologie, dans le but de les integrer a un entrepot de donnees. La deuxieme partie explore differentes methodes de machine learning : k-NN, SVM, ANN et sa variante, le Deep Learning. Leurs avantages et inconvenients respectifs sont evalues avant de presenter les etudes ayant deja utilise ces methodes dans le cadre de la radiotherapie. La troisieme partie presente la creation d’un modele predictif de la reponse complete a la radiochimiotherapie (RTCT) pre-operatoire dans le cancer du rectum localement avance. Cette preuve de concept utilise des sources de donnees heterogenes et un reseau neuronal profond dans le but d’identifier les patients en reponse complete apres RTCT qui pourraient ne pas necessiter de traitement chirurgical radical.