Type de document

Thèse d'exercice

Diffusion

Accès libre

Titre en français

Apport de la segmentation préalable des objets biologiques dans des images microscopiques de cancers du sein, pour la prédiction de leur sous-type moléculaire

Auteur

Jehanno, Vincent

Directeur de thèse

Franchet, Camille

Date de soutenance

2022-10-17

Établissement de soutenance

Université Toulouse III - Paul Sabatier

Faculté

Purpan

Sujet

Médecine spécialisée

Mots-clés en français

Cancer du sein

Intelligence artificielle

Machine learning

Deep learning

Sous-type intrinsèque

Analyse d'image

Features

Interprétabilité

Pronostic

Signature moléculaire

Prédiction

Résumé en français

La prise en charge thérapeutique des cancers du sein infiltrants localisés comprend un traitement locorégional associé ou non à un traitement systémique. Pour certaines tumeurs, le choix de recourir à une chimiothérapie adjuvante est difficile et une analyse moléculaire peut être réalisée afin d'étayer ce choix. L'objectif de notre étude était d'évaluer et de comparer les performances de prédiction du sous-type moléculaire donné par la signature moléculaire Prosigna(r) PAM50, à partir d'images microscopiques de cancers du sein. Deux méthodes étaient comparées : une se basant sur du deep learning et l'autre sur une analyse par machine learning de features morphologiques extraites au préalable. Nous avons pu mettre en évidence des performances de prédiction sensiblement équivalentes pour chaque méthode, avec des accuracy de l'ordre de 70 %. La combinaison de ces méthodes avec les CCPT semblent améliorer légèrement la prédiction, avec des améliorations sensiblement identiques pour ces 2 méthodes. L'analyse de l'interprétabilité des résultats montrent que certains critères ou features semblent plus importants que d'autres pour la prédiction du sous-type intrinsèque. En effet, le nombre de mitoses par mm² et le Ki67 semblent surpasser les autres critères. Le deep learning semble porter un intérêt aux zones riches en lymphocytes pour le sous-type luminal B. Et l'analyse des features nucléaires semblent montrer que les tumeurs luminales B correspondent à des tumeurs avec une cellularité augmentée, des noyaux globalement plus arrondis mais aux contours plus irréguliers, et un pléomorphisme plus faible ; contrairement aux tumeurs luminales A.

Résumé en anglais

The therapeutic management of localised invasive breast cancer includes local treatment with or without systemic therapy. For some tumours, the choice to use an adjuvant chemotherapy is difficult and molecular analysis can be performed to support this choice. The aim of our study was to evaluate and compare the prediction of the molecular subtype given by the Prosigna(r) PAM50 signature, based on microscopic images of breast cancers. Two methods were compared : one based on deep learning and the other on a machine learning analysis of previously extracted morphological features. We were able to demonstrate roughly equivalent prediction performance for each method, with accuracy of around 70%. The combination of these methods with CCPT seems to slightly improve the prediction, with approximately identical improvements for these two methods. The analysis of the interpretability of the results shows that some criteria or features seem more important than others for the prediction of the intrinsic subtype. Indeed, the number of mitoses per mm² and proliferation index Ki67 seem to outperform the other criteria. Deep learning seems to be interested in lymphocyte-rich areas for the luminal B subtype. And the analysis of nuclear features seems to show that luminal B tumours correspond to tumours with increased cellularity, more rounded but irregularly contoured nuclei, and with less pleomorphism; unlike luminal A tumours.

Date de publication

2025-04-17T07:37:23