Prix et distinctions
Prix du meilleur poster - IABM 2025
Prix du meilleur poster pour l'imagerie Médicale
PET-based lesion graphs meet clinical data: An interpretable cross-attention framework for DLBCL treatment response prediction
Oriane Thiery,
Nantes Université, Centrale Nantes, CNRS, LS2N, UMR 6004, F-44000 Nantes, France
Résumé : Le lymphome diffus à grandes cellules B (DLBCL) est un cancer lymphatique dont l'incidence augmente régulièrement. Son diagnostic et son suivi reposent sur l'analyse de biomarqueurs cliniques et d'images PET/CT utilisant du 18F-Fluorodéoxyglucose. Dans ce contexte, notre objectif est d'aider à identifier précocement les patients à haut risque de DLBCL à partir des images et des données cliniques tabulaires.
La solution proposée est basée sur un réseau de neurones graphique capable de modéliser simultanément le nombre variable de lésions chez les patients, tout en fusionnant les informations des deux modalités et des lésions. Les lésions étant dispersées, l'image PET de chaque patient est représentée sous forme de graphe de lésions attribué.
Un module d’attention croisée est conçu pour fusionner les attributs de l’image avec les indicateurs cliniques, malgré les différences de dimension et de pertinence pronostique des deux modalités. Plusieurs configurations d’attention croisée sont proposées et comparées expérimentalement. Enfin, un module fusionne les attributs actualisés à travers les lésions pour prédire probabilistiquement la survie sans progression (PFS) à 2 ans du patient. Les résultats expérimentaux sur un ensemble de données multicentriques de 545 patients montrent que la solution proposée intègre efficacement les informations multi-lésions et améliore les modèles utilisant uniquement les données cliniques. L’analyse met en évidence les propriétés interprétables du modèle, permettant de retracer les décisions vers les lésions et caractéristiques les plus importantes.
Prix du meilleur poster pour l'imagerie Biologique
Quantification de l'hétérogénéité intra-tumorale des sous-types moléculaires dans le MIBC
Alice Blondel,
Centre for Computational Biology (CBIO), Mines Paris, Université PSL, 75006 Paris, France
Institut Curie, Université PSL, 75005 Paris, France
Résumé : Une question centrale en biologie du cancer est la relation complexe entre les programmes transcriptionnels et leurs manifestations phénotypiques aux échelles cellulaire et tissulaire. Mieux comprendre cette relation permettrait d’identifier des biomarqueurs pertinents pour la médecine de précision.
Une approche consiste à évaluer dans quelle mesure le transcriptome peut être prédit à partir de données purement morphologiques, telles que les Whole Slide Images (WSI), des images gigapixels de coupes tissulaires colorées. Cependant, les modèles de Deep Learning conçus pour prédire un profil transcriptomique global à partir des WSI manquent souvent de spécificité en raison de la diversité des types de tissus présents dans un échantillon et de l’hétérogénéité intra-tumorale.
Nous présentons ici une étude visant à prédire les sous-types moléculaires du carcinome urothélial infiltrant le muscle (muscle-invasive bladder cancer, MIBC) en tenant compte de leur hétérogénéité intra-tumorale (cohorte VESPER ; N = 417). Pour ce faire, nous avons sélectionné des régions homogènes dans les WSI et réalisé un RNA-seq sur ces zones. Étant donné la taille des WSI, celles-ci ont été subdivisées en petites images (tuiles), exploitables par des réseaux neuronaux profonds.
Notre modèle a atteint une performance de ROC AUC = 0,89 pour la prédiction des sous-types moléculaires, confirmant que les caractéristiques morphologiques permettent d’anticiper les dérégulations transcriptomiques sous-jacentes. Les cartes obtenues révèlent différents profils d’hétérogénéité, quantifiés par la proportion de tuiles tumorales assignées à chaque sous-type. De plus, la transcriptomique spatiale nous permet de valider ces résultats en associant les profils transcriptomiques prédits à des localisations spécifiques au sein des tuiles tumorales, renforçant ainsi la validité de nos prédictions et leur interprétation dans le contexte de la biologie tumorale.
|
