Recherche

Mes travaux de recherche articulent mathématiques appliquées et oncologie clinique pour produire des outils quantitatifs et opérationnels au service de l'oncologie de précision - de la simulation personnalisée de la croissance tumorale aux biomarqueurs d'imagerie et de pathologie fondés sur l'IA. Depuis une vingtaine d'années, je travaille autour de trois piliers méthodologiques complémentaires, avec un accent croissant sur les applications de l'intelligence artificielle et de la modélisation mécanistique au diagnostic, au pronostic et au suivi thérapeutique en cancérologie.

Modélisation mécanistique de la croissance tumorale

Je développe des modèles EDP (de type advection-réaction ou réaction-diffusion) qui capturent la dynamique spatio-temporelle de la prolifération, de l'invasion, de la vascularisation et de la réponse tumorale aux thérapies cytotoxiques ou ciblées. Un enjeu central est la calibration personnalisée à partir de l'imagerie médicale longitudinale (CT, IRM), à l'aide de méthodes à effets mixtes ou d'assimilation de données bayésienne. Les applications couvrent les sarcomes des tissus mous, les tumeurs rénales, les gliomes et les méningiomes.

Apprentissage profond pour l'analyse histologique et radiologique

Les architectures modernes d'apprentissage profond - CNN, Vision Transformers, et approches d'apprentissage par instances multiples (MIL) - permettent d'extraire des caractéristiques prédictives de haute dimension à partir de lames histopathologiques entières et d'acquisitions IRM/CT multiparamétriques. Je conçois et valide des pipelines de bout en bout pour le grading automatisé des tumeurs, la classification en sous-types et la prédiction de la réponse au traitement, avec quantification de l'incertitude et explicabilité et validation prospective multicentrique.

Radiomique et caractérisation non invasive des tumeurs

La radiomique extrait des caractéristiques quantitatives de texture, de forme et d'intensité à partir d'images médicales de routine, reflétant la biologie tumorale sous-jacente invisible à l'œil nu. Je construis des pipelines radiomiques reproductibles, validés pour la prédiction précoce de la réponse à la chimiothérapie, la prédiction du sous-type histologique et le suivi longitudinal des traitements - dans les sarcomes, les tumeurs rénales, les gliomes, le carcinome hépatocellulaire et les hémopathies malignes.

Travaux récents

Mes travaux les plus récents portent sur l'IA multimodale et son intégration avec les connaissances mécanistes en oncologie :

• Intégration multimodale pour la prédiction de récidive des gliomes - combinaison de la transcriptomique, de la protéomique et de la radiomique pour prédire la récidive des gliomes à mutation IDH (International Journal of Cancer, 2025)
• Pronostic par apprentissage profond dans les tumeurs musculaires lisses gynécologiques - étude multicentrique montrant que l'apprentissage profond sur lames histologiques prédit avec précision le pronostic des tumeurs de malignité incertaine (Laboratory Investigation, 2025)
• Anatomopathologie numérique pour le pronostic des sarcomes des tissus mous - modèles pronostiques à partir de lames entières de la tumeur et des marges chirurgicales (Scientific Reports, 2025)
• Modèles de croissance tumorale pour les méningiomes - comparaison systématique de quatre modèles mathématiques décrivant l'histoire naturelle des méningiomes (EBioMedicine, 2023)