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.