Offre de thèse
CD Modèles d'Apprentissage automatique eXplicables utilisant l'Imagerie TEP aux acides aminés pour guider les décisions de routine clinique en neuro-ONcologie
Date limite de candidature
07-06-2024
Date de début de contrat
01-10-2024
Directeur de thèse
VERGER Antoine
Encadrement
Encradrement 50-50 • Suivi régulier de leurs co-encadrants de thèse avec réunion dont la fréquence sera définie selon le besoin du doctorant • Encouragement à l'autonomie et à la prise d'initiative • Adaptation du plan de thèse en fonction des besoins et des progrès du doctorant
Type de contrat
école doctorale
équipe
contexte
Les tumeurs cérébrales et du système nerveux central représentent une incidence de 28,57 cas pour 100 000 personnes parmi lesquelles les méningiomes sont les tumeurs les plus fréquentes (36,4%) et les gliomes représentent environ 80% des tumeurs malignes [1]. Ces derniers sont associés à un mauvais pronostic avec une médiane de survie égale à 15 mois pour les glioblastomes, l'entité de gliome la plus commune [2]. Les actes invasifs étant particulièrement à risque et difficile à réaliser, le diagnostic et le suivi de cancer en neuro-oncologie repose entre autres sur l'imagerie médicale avec l'imagerie par résonance magnétique (IRM) ou l'imagerie de tomographie par émission de positons (TEP). La TEP avec des acides aminés radiomarqués comme la 18F-FDOPA est actuellement recommandée par le groupe d'expert (Response Assessment in Neuro-Oncology (RANO) Group) pour planification de la biopsie [4] car elle délimite mieux l'étendue de la tumeur que l'IRM conventionnelle. Ainsi, la TEP aux acides aminés permet de localiser la partie la plus agressive de la lésion et d'orienter la cible de la biopsie, ce qui est essentiel pour le pronostic du patient et le traitement ultérieur. Cette partie est actuellement déterminée par les régions de la tumeur qui présentent la plus forte fixation TEP [3] (Figure 1). Cependant, plusieurs publications ont montré que la cinétique du processus de métabolisation des tumeurs au cours d'une acquisition pouvait apporter des informations supplémentaires et pertinentes au moment du diagnostic initial pour identifier les tumeurs les plus agressives [5,6]. L'extraction de ces informations au niveau du voxel a le potentiel d'améliorer les performances du diagnostic dans plusieurs questions cliniques [7–9] et n'a jamais été appliquée à la planification de la biopsie. Dès 2011, une étude de Kunz et al. a montré que les points chauds dynamiques pouvaient être utiles pour identifier les parties malignes des tumeurs [10]. D'autre part, la TEP à la 18F-FDOPA est aussi recommandée par le groupe RANO en complément de l'IRM pour les gliomes en récidives [4] dans le cadre du diagnostic différentiel entre radionécrose, qui est un changement induit par le traitement, et vraie progression. Cette indication est l'indication principale de la TEP aux acides aminée pour les gliomes et elle est recommandée car elle a de meilleures performances diagnostiques que l'IRM conventionnelle [11]. De nombreuses études dans la littérature ont montré les très bonnes performances de la TEP aux acides aminés sur la base d'une simple analyse d'image [12,13] ou plus avancée avec une extraction massive des caractéristiques tumorales couplée à un modèle d'intelligence artificielle pour la classification [7]. Nous assistons dans le même temps à la montée en force de l'apprentissage automatique, un sous-domaine de l'intelligence artificielle, dans le champ de la santé avec pour objectif d'automatiser certaines tâches et aider les médecins dans leur pratique clinique (aide au diagnostic, segmentation, traitement d'images, etc.). La tendance actuelle en imagerie est d'exploiter le maximum d'informations contenues dans une image en extrayant un grand nombre de caractéristiques quantitatives décrivant les relations complexes entre les voxels dans une région d'intérêt telle que l'hétérogénéité tumorale. Ces caractéristiques sont ensuite utilisées comme données d'entrée pour un modèle traditionnel d'apprentissage automatique (Figure 2.A.). L'étape suivante consisterait à passer à la modélisation directe à l'aide de réseaux de neurones convolutifs (CNN) dans l'espoir d'obtenir de meilleures performances (Figure 2.B.) mais nécessite des bases de données avec un nombre plus important de patients. Ces techniques permettent de valoriser une information à l'échelle du voxel alors que dans la pratique clinique les informations utilisées par le médecin sont extraites au niveau de la région. De plus, malgré un nombre exponentiel de publications tentant de développer un modèle d'apprentissage automatique pour répondre à une question spécifique, seul un très petit nombre d'entre eux passent en routine clinique [15] souvent par manque d'évaluation dans ce contexte et d'acceptabilité du modèle.spécialité
Sciences de la Vie et de la Santé - BioSElaboratoire
IADI - Imagerie Adaptative Diagnostique et Interventionnelle
Mots clés
Imagerie, Neuro-oncologie, Tomographie par émission de positions, Intelligence artificielle explicable
Détail de l'offre
À l'ère de la médecine personnalisée, il est essentiel de disposer d'un outil de caractérisation non invasive des gliomes pour aider les cliniciens à prendre les meilleures décisions pour améliorer la survie globale du patient tout en préservant leur qualité de vie. L'imagerie médicale prend une place grandissante dans ce contexte et notamment l'imagerie TEP aux acides aminés qui est recommandée par les groupes d'experts internationaux en complément de l'IRM. L'objectif est de développer des modèles d'apprentissage automatique se basant sur les relations complexes entre les voxels des images de TEP aux acides aminés dans le gliome. Ces modèles devront être impactant pour la pratique clinique des médecins avec un accent mis sur l'explicabilité afin de favoriser leur transposition en routine clinique. Le premier volet de ce projet de recherche implique l'identification de sous-régions agressives d'un gliome à partir de l'IRM et de la TEP pour la planification de la biopsie. Le deuxième volet vise à développer un modèle d'apprentissage profond pour différencier la radionécrose d'une vraie progression et des méthodes d'explicabilité pour assurer l'acceptabilité clinique du modèle. En résumé, ce projet cherche à utiliser les avancées de l'imagerie médicale et de l'apprentissage automatique pour améliorer le diagnostic et la prise en charge des gliomes.
Keywords
Imaging, Neuro-oncology, Positrong emission tomography, Explainable artificial intelligence
Subject details
In the era of personalized medicine, having an efficient tool to provide additional information for the non-invasive characterization of gliomas is crucial. Such a tool would help clinicians make the best decisions to increase patient overall survival while preserving quality of life. In this context, medical imaging is becoming increasingly important especially amino-acid PET imaging, which is recommended by international guidelines as an adjunct to MRI. The aim of this project is to develop machine learning models based on the complex relationships between voxels in amino acid PET images for glioma. These models should be designed to have an impact on the clinical routine practice of physicians, with an emphasis on their explicability in order to facilitate their transposition into clinical routine practice. The first part of this research project involves the identification of aggressive sub-regions of a glioma thanks to MRI and PET images for biopsy target planning. The second work-package aims to develop a deep learning model to differentiate radionecrosis from true progression, and implement explicability methods to ensure the model's clinical acceptability. In summary, this thesis project aims to use advances in medical imaging and machine learning to improve the diagnosis and management of gliomas.
Profil du candidat
Nous recherchons un(e) chercheur(se) passionné(e) par le traitement d'images et l'apprentissage automatique pour rejoindre notreéquipe. Vous travaillerez sur des projets de pointe pour développer des solutions innovantes à des problèmes complexes.
Compétences requises :
Compétences techniques :
• Connaissances avancées en traitement d'images (acquisition, filtrage, segmentation, reconnaissance d'objets, etc.)
• Connaissances avancées en apprentissage automatique (classification, régression, clustering, deep learning, etc.)
• Maitrise de langages de programmation (Python, ....)
• Expérience avec des librairies de ML (scikit-learn, pytorch, tensorflow, etc.)
• Capacité à développer et à déployer des modèles d'apprentissage automatique
• Aptitude à travailler avec des environnements de calcul haute performance (GPU, etc.)
Compétences comportementales :
• Indépendant et capable de travailler de manière autonome
• Capacité à travailler en équipe et à collaborer avec des experts d'autres domaines
• Rigoureux et soucieux du détail
• Excellent esprit d'analyse et de résolution de problèmes
• Capacité à communiquer clairement et efficacement
Formations / diplômes :
• Master en informatique, mathématiques, ingénierie ou domaine connexe
Candidate profile
We are looking for a researcher with a passion for image processing and machine learning to join our team. You will be working oncutting-edge projects to develop innovative solutions to complex problems.
Skills required:
Technical skills :
- Advanced knowledge of image processing (acquisition, filtering, segmentation, object recognition, etc.)
- Advanced knowledge of machine learning (classification, regression, clustering, deep learning, etc.)
- Proficiency in programming languages (Python, C++, etc.)
- Experience with ML libraries (scikit-learn, pytorch, tensorflow, ...)
- Ability to develop and deploy machine learning models
- Ability to work with high-performance computing environments (GPU, etc.)
Behavioural skills :
- Independent and able to work autonomously
- Ability to work in a team and collaborate with experts from other fields
- Thorough and detail-oriented
- Excellent analytical and problem-solving skills
- Ability to communicate clearly and effectively
Education / qualifications :
- Master's degree in computer science, mathematics, engineering or related field
Référence biblio
1. Ostrom QT, Gittleman H, Fulop J, Liu M, Blanda R, Kromer C, et al. CBTRUS Statistical Report: Primary Brain and Central Nervous System Tumors Diagnosed in the United States in 2008-2012. Neuro-Oncol. 2015;17 Suppl 4:iv1–62.
2. Lamborn KR, Yung WKA, Chang SM, Wen PY, Cloughesy TF, DeAngelis LM, et al. Progression-free survival: An important end point in evaluating therapy for recurrent high-grade gliomas. Neuro-Oncol. 2008;10:162–70.
3. Harat M, Rakowska J, Harat M, Szylberg T, Furtak J, Miechowicz I, et al. Combining amino acid PET and MRI imaging increases accuracy to define malignant areas in adult glioma. Nat Commun. 2023;14:4572.
4. Albert NL, Weller M, Suchorska B, Galldiks N, Soffietti R, Kim MM, et al. Response Assessment in Neuro-Oncology working group and European Association for Neuro-Oncology recommendations for the clinical use of PET imaging in gliomas. Neuro-Oncol. 2016;18:1199–208.
5. Verger A, Stoffels G, Bauer EK, Lohmann P, Blau T, Fink GR, et al. Static and dynamic 18F–FET PET for the characterization of gliomas defined by IDH and 1p/19q status. Eur J Nucl Med Mol Imaging. 2018;45:443–51.
6. Ginet M, Zaragori T, Marie P-Y, Roch V, Gauchotte G, Rech F, et al. Integration of dynamic parameters in the analysis of 18F-FDopa PET imaging improves the prediction of molecular features of gliomas. Eur J Nucl Med Mol Imaging. 2020;47:1381–90.
7. Ahrari S, Zaragori T, Rozenblum L, Oster J, Imbert L, Kas A, et al. Relevance of Dynamic 18F-DOPA PET Radiomics for Differentiation of High-Grade Glioma Progression from Treatment-Related Changes. Biomedicines. 2021;9:1924.
8. Verger A, Imbert L, Zaragori T. Dynamic amino-acid PET in neuro-oncology: a prognostic tool becomes essential. Eur J Nucl Med Mol Imaging. 2021;48:4129–32.
9. Li Z, Kaiser L, Holzgreve A, Ruf VC, Suchorska B, Wenter V, et al. Prediction of TERTp-mutation status in IDH-wildtype high-grade gliomas using pre-treatment dynamic [18F]FET PET radiomics. Eur J Nucl Med Mol Imaging [Internet]. 2021 [cited 2021 Oct 21]; Available from: https://link.springer.com/10.1007/s00259-021-05526-6
10. Kunz M, Thon N, Eigenbrod S, Hartmann C, Egensperger R, Herms J, et al. Hot spots in dynamic18FET-PET delineate malignant tumor parts within suspected WHO grade II gliomas. Neuro-Oncol. 2011;13:307–16.
11. Law I, Albert NL, Arbizu J, Boellaard R, Drzezga A, Galldiks N, et al. Joint EANM/EANO/RANO practice guidelines/SNMMI procedure standards for imaging of gliomas using PET with radiolabelled amino acids and [18F]FDG: version 1.0. Eur J Nucl Med Mol Imaging. 2019;46:540–57.
12. Rozenblum L, Zaragori T, Tran S, Morales-Martinez A, Taillandier L, Blonski M, et al. Differentiating high-grade glioma progression from treatment-related changes with dynamic [18F]FDOPA PET: a multicentric study. Eur Radiol [Internet]. 2022 [cited 2023 Feb 15]; Available from: https://link.springer.com/10.1007/s00330-022-09221-4
13. Zaragori T, Ginet M, Marie P-Y, Roch V, Grignon R, Gauchotte G, et al. Use of static and dynamic [ 18 F]-F-DOPA PET parameters for detecting patients with glioma recurrence or progression. EJNMMI Res. 2020;10:1–10.
14. Hatt M, Krizsan AK, Rahmim A, Bradshaw TJ, Costa PF, Forgacs A, et al. Joint EANM/SNMMI guideline on radiomics in nuclear medicine: Jointly supported by the EANM Physics Committee and the SNMMI Physics, Instrumentation and Data Sciences Council. Eur J Nucl Med Mol Imaging [Internet]. 2022 [cited 2022 Dec 23]; Available from: https://link.springer.com/10.1007/s00259-022-06001-6
15. Huang EP, O'Connor JPB, McShane LM, Giger ML, Lambin P, Kinahan PE, et al. Criteria for the translation of radiomics into clinically useful tests. Nat Rev Clin Oncol. 2023;20:69–82.
16. McInnes L, Healy J, Melville J. UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction [Internet]. arXiv; 2020 [cited 2024 Mar 5]. Available from: http://arxiv.org/abs/1802.03426
17. Campello RJGB, Moulavi D, Sander J. Density-Based Clustering Based on Hierarchical Density Estimates. In: Pei J, Tseng VS, Cao L, Motoda H, Xu G, editors. Adv Knowl Discov Data Min [Internet]. Berlin, Heidelberg: Springer Berlin Heidelberg; 2013 [cited 2024 Mar 5]. p. 160–72. Available from: http://link.springer.com/10.1007/978-3-642-37456-2_14
18. Tatekawa H, Hagiwara A, Uetani H, Bahri S, Raymond C, Lai A, et al. Differentiating IDH status in human gliomas using machine learning and multiparametric MR/PET. Cancer Imaging. 2021;21:27.
19. Wu J, Gensheimer MF, Zhang N, Guo M, Liang R, Zhang C, et al. Tumor Subregion Evolution-Based Imaging Features to Assess Early Response and Predict Prognosis in Oropharyngeal Cancer. J Nucl Med. 2020;61:327–36.
20. Lundberg SM, Lee S-I. A Unified Approach to Interpreting Model Predictions. Adv Neural Inf Process Syst. 2017;30:4765–74.
21. Hu LS, D'Angelo F, Weiskittel TM, Caruso FP, Fortin Ensign SP, Blomquist MR, et al. Integrated molecular and multiparametric MRI mapping of high-grade glioma identifies regional biologic signatures. Nat Commun. 2023;14:6066.
22. Lee K, Carr N, Perliss A, Chandrasekaran C. WaveMAP for identifying putative cell types from in vivo electrophysiology. STAR Protoc. 2023;4:102320.
23. Cackowski S, Barbier EL, Dojat M, Christen T. ImUnity: a generalizable VAE-GAN solution for multicenter MR image harmonization. ArXiv210906756 Cs Eess [Internet]. 2021 [cited 2022 Jan 10]; Available from: http://arxiv.org/abs/2109.06756
24. Lohmann P, Galldiks N, Kocher M, Heinzel A, Filss CP, Stegmayr C, et al. Radiomics in neuro-oncology: Basics, workflow, and applications. Methods San Diego Calif. 2020;
25. Reyes M, Meier R, Pereira S, Silva CA, Dahlweid F-M, Tengg-Kobligk H von, et al. On the Interpretability of Artificial Intelligence in Radiology: Challenges and Opportunities. Radiol Artif Intell. 2020;2:e190043.
26. Fraioli F, Albert N, Boellaard R, Galazzo IB, Brendel M, Buvat I, et al. Perspectives of the European Association of Nuclear Medicine on the role of artificial intelligence (AI) in molecular brain imaging. Eur J Nucl Med Mol Imaging. 2023;s00259-023-06553–1.