Description

Les cancers de la tête et du cou se caractérisent par une forte hétérogénéité anatomique et biologique, rendant la délinéation tumorale pour la radiothérapie longue, variable et opérateur-dépendant. Par ailleurs, les informations cliniques (imagerie, comptes-rendus, pathologie) sont peu intégrées par les systèmes d'IA actuels. L'objectif de cette thèse est de développer et valider une plateforme d'IA multimodale unifiée, basée sur un paradigme d'« agent intelligent », pour (1) segmenter automatiquement les tumeurs et les ganglions, (2) caractériser de manière non invasive le microenvironnement tumoral (infiltration immunitaire, caractéristiques histologiques) à partir de l'imagerie, et (3) fournir une assistance interprétable à la décision clinique. Le projet exploitera une large cohorte observationnelle de Gustave Roussy combinant imagerie (scan, IRM, TEP), données cliniques et anatomopathologiques. Les axes de recherche incluent l'apprentissage de représentations multimodales, la segmentation automatique, l'inférence de biomarqueurs radiomiques et le développement d'un assistant clinique agentique. Les résultats attendus sont des workflows de délinéation standardisés, une réduction de la variabilité et du temps de travail, et un outil d'aide à la décision personnalisé, validé cliniquement, avec un fort impact translationnel pour la radiothérapie de précision.

Compétences requises

Le candidat doit être titulaire d'un Master 2 en informatique, mathématiques appliquées, traitement du signal/image ou équivalent, avec une spécialisation en apprentissage automatique (deep learning). Une solide expérience en programmation Python et dans les frameworks de deep learning (PyTorch, TensorFlow) est indispensable. Une connaissance du domaine médical (imagerie, oncologie) est un plus. Le candidat doit avoir un fort intérêt pour les applications cliniques de l'IA, faire preuve d'autonomie, de rigueur scientifique, d'un bon esprit critique et d'excellentes capacités de communication en anglais.

Bibliographie

Références bibliographiques (Ce champ est obligatoire) :
Isensee F, et al. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nat Methods. 2021;18(2):203-211. doi:10.1038/s41592-020-01008-z. PMID: 33288961.

Hatamizadeh A, et al. Swin UNETR: Swin Transformers for Semantic Segmentation of Brain Tumors in MRI Images. Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries. 2022;12962:272-284. doi:10.1007/978-3-031-08999-2_22. PMID: 35421192.

Lambin P, et al. Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol. 2017;14(12):749-762. doi:10.1038/nrclinonc.2017.141. PMID: 28975929.

Varoquaux G, Cheplygina V. Machine learning for medical imaging: methodological failures and recommendations for the future. NPJ Digit Med. 2022;5(1):48. doi:10.1038/s41746-022-00592-8. PMID: 35459958.

Wu J, et al. Artificial intelligence in cancer imaging: from data to decision. Nat Rev Cancer. 2023;23(5):315-332. doi:10.1038/s41568-023-00565-3. PMID: 37012312.

Bommasani R, et al. On the Opportunities and Risks of Foundation Models. arXiv:2108.07258. 2021. (Pour le concept de foundation models multimodaux)

Bronstein MM, et al. Geometric deep learning: going beyond Euclidean data. IEEE Signal Process Mag. 2017;34(4):18-42. doi:10.1109/MSP.2017.2693418. (Pour les approches d'apprentissage de représentations)

Mots clés

Intelligence Artificielle (IA), Cancers de la tête et du cou, Segmentation d'images médicales, Multimodalité, Radiomique, Microenvironnement tumoral