Risk Stratification for Adaptive Radiotherapy in Head and Neck Cancers Using Deep Learning Approaches

Les cancers de la tête et du cou sont un enjeu majeur de santé publique, dont le traitement requiert une précision particulière en raison de la présence d’organes vitaux à proximité de la zone tumorale. La radiothérapie est l’un des traitements de référence pour cette patholo-gie, et a su bénéficier des nombreuses avancées en imagerie biomédicale pour permettre des traitements et un suivi de plus en plus adaptés aux spécificités de chaque patient. Toutefois, la complexité de ces données d’imagerie rend leur exploitation aussi difficile que promet-teuse, alimentant une demande persistante de la part des cliniciens pour des outils robustes d’adaptation des traitements. Afin d’optimiser les chances de succès thérapeutique tout en limitant les effets indésirables, l’utilisation de biomarqueurs permettant de stratifier les risques spécifiques de complications liées au traitement constitue un axe de recherche priori-taire. L’apprentissage profond s’impose aujourd’hui comme une voie prometteuse pour répondre à cet enjeu, en facilitant l’analyse de données d’imagerie hautement dimensionnelles et l’identification de biomarqueurs subtils, encore imperceptibles à l’œil humain. Néanmoins, pour que ces modèles puissent s’intégrer durablement dans les flux cliniques, ils doivent non seulement être performants, mais également robustes, interprétables et alignés sur les décisions thérapeutiques. Cette maîtrise s’inscrit dans ce contexte, en étudiant l’usage de l’intelligence artificielle pour prédire les complications et les issues thérapeutiques en radio-thérapie des cancers de la tête et du cou, en intégrant les particularités anatomiques propres à chaque patient.

Abstract

Head and neck cancers represent a complex and high-stakes clinical setting, where intricate anatomy, the proximity of critical organs, and intra-treatment anatomical changes during treatment pose significant challenges to both planning and delivery. Biomedical imaging plays a crucial role in guiding radiotherapy, benefiting from advances in high-quality scanner technologies to provide a wealth of multimodal information. However, the extraction of clin-ically actionable insights from this data remains limited, and the development of a robust dose adaptation framework continues to be a key demand from clinicians. Deep learning has emerged as a promising approach to address this gap by enabling the complex analysis of high-dimensional imaging data and the extraction of deep biomarkers not currently perceiv-able through conventional means. Yet, the successful integration of such models into clinical workflows requires more than predictive accuracy, it also demands robustness, interpretabil-ity, and a direct connection to clinical decision-making, especially in radiotherapy, where preserving patient health and quality of life is paramount. This Masters thesis investigates the use of deep learning and medical imaging to predict adverse treatment outcomes and oncological prognosis in head and neck cancer, with a fo-cus on incorporating patient-specific anatomical data to support personalized radiotherapy planning. Two primary methodological inquiries were pursued, each targeting distinct but complementary phases of treatment.