Artifical intelligence for colorectal cancer liver metastases : from segmentation to therapeutic follow-up

Segmentation et suivi thérapeutique de métastases hépatiques de cancers colorectaux par intelligence artificielle Les techniques d’apprentissage ont démontré un potentiel remarquable pour l’automatisation de tâches complexes en imagerie médicale, mais des défis subsistent pour les pathologies hétérogènes comme les métastases hépatiques issues de cancers colorectaux (MHCCR). Cette thèse aborde trois défis interdépendants : l’optimisation des stratégies d’apprentissage face à la diversité des présentations lésionnelles, la gestion du déséquilibre entre instances pour garantir la détection des petites lésions, et la traduction des capacités de segmentation en outils d’évaluation clinique. Par une évaluation systématique de stratégies exploitant des données hétérogènes, nous montrons que la diversité améliore significativement les performances de détection, en particulier pour lésions de petite taille. Nous développons ensuite un cadre de segmentation sensible aux instances, assurant une contribution équitable des lésions de toutes tailles et permettant ainsi des améliorations substantielles. Enfin, notre méthode d’évaluation volumétrique automatisée, validée sur la cohorte PRODIGE 9, démontre une information pronostique enrichie par rapport aux mesures RECIST traditionnelles pour évaluer la réponse à la chimiothérapie. Ces avancées représentent une étape importante vers un suivi thérapeutique automatisé et personnalisé des MHCCR en pratique clinique.