Prediction of Chemotherapy Response of Liver Metastases from Baseline CT-Images Using Deep Neural Networks

Dans les pays développés, le cancer colorectal est reconnu comme étant la deuxième cause la plus importante de mortalité liée au cancer. La chimiothérapie est considérée comme un traitement standard pour les métastases colorectales du foie (MCF). Parmi les patients qui développent des MCF, l'évaluation de la réponse du patient au traitement de chimiothérapie est souvent requise pour déterminer le besoin d'une chimiothérapie de seconde ligne, ainsi qu'une éligibilité à la chirurgie. Toutefois, tandis que les régimes basés sur un régime dénommé FOLFOX sont typiquement utilisés pour le traitement de la MCF, l'identification de la sensibilité du patient reste difficile. Les systèmes de diagnostic assistés par ordinateur peuvent fournir de l'information supplémentaire sur la classification des métastases du foie identifiées au niveau des images de diagnostic. Du aux quelques difficultés que rencontrent les radiologues pour distinguer, à l'oeil nu, les lésions traitées des lésions non-traitées, nous proposons dans cette étude un système automatisé basé sur les réseaux profonds convolutifs (RPC). Dans un premier lieu, ces réseaux profonds différencient les lésions traitées des lésions non-traitées, pour ensuite identifier les nouvelles lésions apparaissant sur les tomodensitométries. Ensuite, un réseau de neurones dense émet une prédiction, à partir des lésions non traitées visibles sur les tomodensitométries de prétraitement pour les patients à MCF sous chimiothérapie, sur leur réponse au régime spécifique de chimiothérapie. Dans ce contexte, la référence pour l'évaluation de la réponse au traitement pour le régime approprié de chimiothérapie était le degré de régression de la tumeur en histopathologie. La méthode adoptée dans cette étude nous a aidé à adresser les trois grands objectifs de ce projet de recherche. La première étape était de développer un système automatique de classification des tumeurs traitées et non-traitées à partir des tomodensitométries de patients. La deuxième étape a été de concevoir une nouvelle approche pour prédire la réponse au traitement FOLFOX qui utilise le médicament Bevacizumab en tant que traitement de première ligne. La troisième étape était de prédire le pourcentage de changement volumétrique de la tumeur suivant deux moments temporels consécutifs. Les algorithmes d'intelligence artificielle (IA), et les approches d'apprentissage profond en particulier, ont montré des progrès prometteurs en vision par ordinateur ainsi qu'en traitement d'images. Il existe de nombreuses applications en analyse d'images médicales qui utilisent des réseaux profonds convolutifs pour propulser ces progrès en avant le plus rapidement possible. En pratique, les radiologues et lesmédecins évaluent les images médicales visuellement pour le diagnostic, la détection, la récurrence, le suivi et la caractérisation des maladies. Les méthodes d'apprentissage profond sont souvent supérieures pour la reconnaissance automatique de structures complexes à partir d'images, et quantifier l'évaluation de propriétés et caractéristiques radiographiques.