Apprentissage profond pour l'analyse histologique et radiologique
Architectures de réseaux de neurones pour la caractérisation tumorale à partir de coupes histologiques entières et d'examens radiologiques.
Présentation
Les architectures modernes d'apprentissage profond (CNN, Vision Transformers, réseaux de graphes) permettent d'extraire des caractéristiques de haute dimension à partir de lames histopathologiques et d'images radiologiques, bien au-delà de ce que la radiomique classique peut capturer.
Applications
- Grading des sarcomes — prédiction du grade FNCLCC à partir de coupes H&E entières
- Classification des tumeurs rénales — anatomopathologie automatisée
- Caractérisation des gliomes — prédiction du statut de mutation IDH et de la méthylation MGMT à partir de l'IRM pré-opératoire
Contributions méthodologiques principales
- Cadres d'apprentissage par instances multiples (MIL) pour des labels au niveau de la lame entière
- Agrégation de caractéristiques multi-échelles à différents grossissements
- Quantification de l'incertitude et explicabilité (GradCAM, cartes d'attention)
- Validation prospective multicentrique