L’apprentissage automatique pour les applications médicales, et en particulier l’apprentissage profond supervisé, impose des contraintes qui sont difficiles à vérifier : les résultats doivent être interprétables, de bonne qualité, reproductibles et auditables.

On sait également que les performances dépendent de la qualité de base d’apprentissage et des annotations. Au même temps, l’apprentissage sur des données médicales impose de respecter la vie privée des patients. En Europe, les données médicales sont en accès restreint. La combination de ces facteurs rend l’utilisation de l’apprentissage profond pour l’imagerie difficile dans la pratique.

Ce projet de recherche se propose de trouver des solutions innovantes à ces questions, en ajoutant en plus un contexte applicatif important: l’utilisation de ces techniques au contexte de l’immunothérapie en cancérologie.

L’objectif de ce projet est de proposer une approche basée sur la structure même des architectures employées permettant la régularisation a priori des réseaux entraînés afin de permettre une convergence plus rapide, plus sûre et plus efficace des réseaux génératifs antagonistes proposés. En matière d’application, le projet propose de mettre ces réseaux en œuvre dans la classification des lésions tumorales en échographie et en tomodensitométrie, afin d’obtenir une appréciation rapide et objective de la réponse des patients à un traitement immunothérapique en cancérologie.

Le projet est donc ambitieux car dans ce domaine, les données et les annotations sont difficiles à obtenir. Une collaboration CVN-LR4M permettra de produire une quantité suffisante de ces données pour pouvoir initier un entraînement et démontrer que l’approche est réalisable, au travers de la collaboration des deux équipes au sein de l’Institut Gustave-Roussy. Au niveau applicatif, l’objectif sera de démontrer les bonnes propriétés des réseaux obtenus, en les appliquant au problème d’obtenir (1) des segmentations de lésions en échographie et en TDM ; (2) des caractérisations de ces lésions dans le contexte de l’immunothérapie. Une extension conditionnelle de l’architecture d’apprentissage profond proposée pourra permettre ce type d’application.

Contacts : Hugues Talbot | Fragkiskos Malliaros | Nathalie Lassau