Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

20 janvier 2017

“Modélisation multi-facteurs pour l’aide à la décision dans le traitement par chimiothérapie des tumeurs cérébrales de type gliomes diffus de bas grade”


Catégorie : Doctorant


Modélisation multi-facteurs pour l’aide à la décision dans le traitement par chimiothérapie des tumeurs cérébrales de type gliomes diffus de bas grade

Le projet DIALOGG (« DecIsion-Aid tool for LOw Grade Glioma ») est né d’une étroite collaboration pluridisciplinaire entre des chercheurs du CRAN, de l’IECL (Institut Elie Cartan de Lorraine) et du Centre Hospitalier Régional Universitaire de Nancy : Pr Jean-Marie Moureaux (CRAN), Dr Sophie Mézières (IECL), Dr Yann Gaudeau (CRAN) et Pr Luc Taillandier (CRAN, CHRU Nancy, Chef de Service de Neuro-oncologie), Dr Marie Blonski (CRAN, CHRU Nancy, Service de Neuro-oncologie). Dans ce projet, une thèse vient d’être soutenue en décembre 2016 (Meriem Ben Abdallah) et une autre est en cours (Marie Blonski). Une collaboration avec le CHRU de Montpellier qui a pour objet la constitution d’une base de données à grande échelle (au moins 400 patients déjà traités auxquels s’ajouteront des nouveaux patients) a également débuté. La thèse proposée ici se déroulera dans ce contexte et s'appuiera sur cette base de données.

Les principales questions scientifiques que nous souhaitons traiter dans cette thèse sont :

  • Quels sont les facteurs (biologiques, anatomopathologiques) identifiables qui permettraient de discriminer un modèle particulier (linéaire, exponentiel ou autre) ?
  • Comment ces facteurs peuvent-ils intervenir dans l’écriture de modèles statistiques individualisés ?
  • Quel est le biais introduit par une compression des images IRM et comment l’intégrer dans les modèles ?

Sujet de Thèse : “Modélisation multi-facteurs pour l’aide à la décision dans le traitement par chimiothérapie des tumeurs cérébrales de type gliomes diffus de bas grade”

Dates : 01/10/2017 – 30/09/2020 ou possibilité de commencer le 01/04/2017 jusqu'au 30/03/2020

Directeur(s) CRAN : Jean-Marie MOUREAUX (jean-marie.moureaux@univ-lorraine.fr), Pr Luc TAILLANDIER – CRAN-CHRU de Nancy (l.taillandier@chru-nancy.fr)

Lieu : CRAN Nancy (Département Santé - Biologie - Signal)

Co-encadrants :

Dr Sophie Mézières (IECL) (sophie.mezieres@univ-lorraine.fr )

Dr Yann Gaudeau (CRAN) (yann.gaudeau@unistra.fr )

Description :

Préambule

Le projet DIALOGG (« DecIsion-Aid tool for LOw Grade Glioma ») est né d’une étroite collaboration pluridisciplinaire entre des chercheurs du CRAN, de l’IECL (Institut Elie Cartan de Lorraine) et du Centre Hospitalier Régional Universitaire de Nancy : Pr Jean-Marie Moureaux (CRAN), Dr Sophie Mézières (IECL), Dr Yann Gaudeau (CRAN) et Pr Luc Taillandier (CRAN, CHRU Nancy, Chef de Service de Neuro-oncologie), Dr Marie Blonski (CRAN, CHRU Nancy, Service de Neuro-oncologie). Dans ce projet, une thèse vient d’être soutenue en décembre 2016 (Meriem Ben Abdallah) et une autre est en cours (Marie Blonski). Une collaboration avec le CHRU de Montpellier qui a pour objet la constitution d’une base de données à grande échelle (au moins 400 patients déjà traités auxquels s’ajouteront des nouveaux patients) a également débuté. La thèse proposée ici se déroulera dans ce contexte et s'appuiera sur cette base de données.

Description du sujet

La prise en charge des patients présentant un gliome diffus de bas grade doit reposer sur des évaluations par IRM multimodales régulières (2 à 4 fois par an, sur une durée médiane de 10 à 15 ans). Ceci permet, à chaque étape et pour chaque patient, une adaptation individuelle de la stratégie thérapeutique afin de retarder la transformation anaplasique (gliome de haut grade), en préservant, voire en améliorant, la qualité de vie des patients. Dans cette thèse, nous nous plaçons dans le cadre d’une chimiothérapie (pré ou post-opératoire).

Cette évaluation individuelle passe nécessairement par une étape de calcul de volumétrie de la tumeur. L'utilisation de modèles de croissance du volume sur une période de 10 à 15 ans peut ensuite significativement améliorer la qualité de l'évaluation de la tumeur et du suivi des patients.

A cet égard, les premières conclusions des travaux de thèse de Meriem Ben Abdallah ont mis en évidence sur les données disponibles (une trentaine de patients) deux types de modèles pour caractériser l’évolution du volume : un modèle linéaire et un modèle exponentiel, tous deux basés sur une régression simple monovariable.

Par ailleurs, l'estimation des paramètres du modèle et sa précision, c’est à dire son efficacité à estimer correctement l’évolution du volume du gliome, semble dépendre non seulement du nombre d'examens (IRM) disponibles mais aussi de l’intégration de données complémentaires biologiques et anatomopathologiques. Il ne fait nul doute aujourd’hui dans la communauté médicale que le problème est multifactoriel. La combinaison de différentes informations permet alors d’orienter la stratégie thérapeutique à l’échelle individuelle et donc d’améliorer la prise en charge thérapeutique. Ces informations devront donc être traduites dans le modèle statistique proposé.

Les principales questions scientifiques que nous souhaitons traiter dans cette thèse sont :

La première question est complexe d’un point de vue médical et n’est pas résolue à ce jour. Nous proposons d’élargir les modèles à d’autres facteurs biologiques que ceux habituellement cités ainsi qu’à des facteurs anatomopathologiques.

Les résultats de la première question alimenteront la modélisation (question 2). Une double contrainte devra être prise en compte. Elle concerne d’une part la parcimonie des modèles du fait du faible nombre de données par patient sous chimiothérapie et d’autre part, la nécessité de modèles individualisés pour un suivi thérapeutique optimal. Celui-ci se fera grâce à la mesure de l’écart entre la valeur prédite et la valeur observée. Nous nous intéresserons en priorité à des méthodes de régression multiple, sans écarter pour autant d’autres techniques.

La troisième question viendra une fois les deux premières traitées. La compression doit en effet résoudre le problème d’archivage de ces 10 à 20 Go de données IRM par patient qui contribuent à la saturation des systèmes de stockage actuels. Ainsi, une fois les modèles validés, ceux-ci seront testés sur des IRM compressées, dont les algorithmes et paramètres de compression auront été déterminés sur la base de tests subjectifs. Ceux-ci seront conduits dans le living lab PROMETEE de TELECOM Nancy, living lab dédié à l’évaluation subjective de la qualité d’images médicales post-traitées en fonction des usages. Si la compression n’aura aucune influence sur les données biologiques ou anatomopathologiques, elle introduira un biais (fonction du taux et de la méthode de compression) dans le calcul du volume de la tumeur. Ce biais sera étudié expérimentalement à travers un test de segmentation des images compressées réalisé dans PROMETEE et on cherchera à l’intégrer en tant que bruit dans les modèles.

Les réponses aux trois questions scientifiques précédentes conduiront à la mise au point d’un outil d’aide à la décision pour le praticien facilitant ses choix lors du traitement par chimiothérapie, en particulier pour les dates de début et de fin de traitement.

Positionnement

A notre connaissance il existe peu de travaux sur la modélisation de la vitesse de croissance tumorale en phase de chimiothérapie qui intègre plusieurs types de facteurs. Les travaux les plus proches sont ceux de François Ducray (Centre de Recherche en Neurosciences de Lyon), Emmanuel Mandonnet (hôpital Lariboisière), Kristin R. Swanson et James D. Murray en biologie mathématique à (Université de Washington à Seattle).

Travail demandé

Le travail demandé débutera par un état de l’art sur:

La prise en main de la base de données cliniques et le choix d’une méthode de classification permettront de retenir les facteurs les plus discriminants. S’en suivra le développement des modèles proprement dits.

La dernière partie de la thèse sera consacrée à l’intégration de données compressées et à l’adaptation du modèle à ces données.

Profil attendu et compétences souhaitées

Candidat(e) titulaire d’un master 2 recherche à dominante mathématique-informatique et/ou traitement d’images ou ingénieur ayant le grade de master ayant effectué un PFE orienté recherche.

Compétences en traitement de données (dont images), statistique, bon niveau en programmation souhaité (la thèse nécessitera de programmer sous R et Matlab notamment)

Mots clés : statistique, modélisation, traitement d'images, classification, base de données cliniques, compression, gliomes diffus de bas grade

Contact : cv+lettre de motivation à adresser à Pr. Jean-Marie Moureaux (jean-marie.moureaux@univ-lorraine.fr)

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2015.