Development of interpretable models by learning approaches from PET, CT, and MRI images for the management of cancer patients
Développement de modèles interprétables par des approches d'apprentissage à partir d'images TEP, TDM, et IRM pour la prise en charge de patients atteints de cancer
Résumé
This thesis in partnership with Institut Curie and the company DOSIsoft explores the growing role of digital sciences in healthcare, particularly in the field of medical imaging for cancer. The use of different medical imaging techniques, such as computed tomography (CT), positron emission tomography (PET) and magnetic resonance imaging (MRI), plays an essential role for the diagnosis, treatment planning and follow up of cancer patients. The adoption of radiomics and machine learning approaches in clinical practice seems promising, but remains limited today, partly due to the lack of interpretability of the associated models. This thesis addresses this challenge by developing new methods integrating modeling, visualization, and model mapping, with an emphasis on simplicity. The aim is to provide clinicians and researchers with an in-depth understanding of the information underlying the decisions suggested by models, in order to facilitate their adoption and use in clinical decision-making. This research contributes to the development of robust, reliable and clinically relevant models and biomarkers to improve the management of cancer patients.
Cette thèse en partenariat avec l’Institut Curie et la société DOSIsoft explore l’importance croissante des sciences numériques en santé, en particulier dans le domaine de l’imagerie médicale en oncologie. L’utilisation de différentes techniques d’imagerie médicale, telles que la tomodensitométrie (TDM), la tomographie par émission de positons (TEP) et l’imagerie par résonance magnétique (IRM), joue un rôle essentiel à différents stades du diagnostic, de la planification du traitement, et du suivi des patients atteints de cancer. L’adoption des approches radiomiques et d’apprentissage automatique dans la pratique clinique semble prometteuse, mais reste limitée aujourd’hui, notamment en raison du manque d’interprétabilité des modèles développés. Cette thèse vise à relever ce défi en proposant de nouvelles méthodologies intégrant la modélisation, la visualisation, et la cartographie des modèles, avec un accent mis sur la simplicité. L’objectif est de fournir aux cliniciens et aux chercheurs une compréhension approfondie des informations à l’origine des décisions suggérées par les modèles, afin de faciliter leur adoption et leur utilisation en prise de décision clinique. Cette recherche contribue au développement de modèles et de biomarqueurs robustes, fiables et cliniquement pertinents pour améliorer la prise en charge des patients atteints de cancer.
| Origine | Version validée par le jury (STAR) |
|---|