Nouveaux phénotypes métastatiques pronostiques basés sur l'analyse des images TEP du corps entier en utilisant l'intelligence artificielle – NEMO-PET

Les décès par cancer surviennent dans la grande majorité des cas chez les patients atteints de maladie métastatique. Actuellement, bien que le pronostic dépende du nombre et du type d'organes touchés, du degré d'invasion et que la survie puisse varier de quelques semaines à plusieurs années, les patients atteints d’une maladie métastatique sont tous regroupés au sein du stade IV de la classification AJCC des cancers. Outre le profil moléculaire de la maladie (lorsqu'il est disponible) qui oriente actuellement le choix thérapeutique, une connaissance plus précise du pronostic du patient permettrait aux médecins d'optimiser la prise en charge. Pour mieux cartographier les différents profils métastatiques, le projet NEMO-PET vise à identifier de nouveaux phénotypes pronostiques pour des patients métastatiques à partir d’une analyse approfondie des images TEP/TDM corps entier. L’objectif est d’exploiter la puissance des méthodes d’apprentissage machine pour extraire des représentations pronostiques à partir des signaux mesurés dans les régions pathologiques et non-pathologiques et de leurs associations. Tout d’abord, en complément des données cliniques et biologiques, les caractéristiques extraites automatiquement des images seront agrégées afin d’identifier des phénotypes métastatiques distincts (clusters) et d’établir leur lien avec le pronostic des patients. Ensuite, nous intègrerons des caractéristiques mesurées dans des régions non tumorales du corps entier (eg, métabolisme des organes lymphoïdes, sarcopénie), afin d’identifier leur rôle pronostique, voire de mettre en évidence des interactions susceptibles d’enrichir le phénotype métastatique. Nous démontrerons la pertinence de ces approches pour la caractérisation des cancers mammaires et pulmonaires métastatiques dans un contexte bicentrique.