Les modèles radiomiques et d'intelligence artificielle seront d'autant plus faciles à appliquer dans un contexte clinique qu'ils sont explicables et dotés d'une estimation de la confiance associée au résultat produit. Nous travaillons donc à l'élaboration de modèles radiomiques interprétables, concevables à partir de données en quantité limitée (à partir de moins d'une centaine de patients), dans le but de mettre en évidence des mécanismes biologiques mal connus ou mal compris à partir des modèles et/ou vérifier les résultats produits par les modèles. En particulier, nous développons ces méthodes dans le contexte de patients traités par radiothérapie pour déterminer si la mise en évidence des sous-régions responsables d'une résistance au traitement ou d'une récidive permettrait de modifier le plan de délivrance de dose pour combattre ces évolutions défavorables.
Personnes impliquées au laboratoire : Fanny Orlhac, Irène Buvat, Frédérique Frouin, Christophe Nioche, Thibault Escobar (doctorant), Hamid Mammar, Laurence Champion, Romain-David Seban, Claire Provost.
Publication :
- Escobar T, Vauclin S, Orlhac F, Nioche C, Pineau P, Champion L, Brisse H, Buvat I. Voxel-wise supervised analysis of tumors with multimodal engineered features to highlight interpretable biological patterns. Med Phys. 49(6):3816-3829, 2022. DOI: 10.1002/mp.15603
Ces travaux ont été en partie soutenus par Dosisoft.