Le développement de nouveaux outils basés sur l’intelligence artificielle (IA) est devenu l’un des axes forts de notre équipe. Notre objectif est de prédire des paramètres cliniques tels que la survie, la réponse aux traitements ou les profils transcriptomiques à partir de données histologiques, radiologiques et moléculaires, en exploitant des bases de données clinico-biologiques (RENAPE, BIGRENAPE). Nous nous concentrons sur des problématiques cliniques pour mieux prendre en charge les patients, que ce soit en identifiant de nouvelles cibles thérapeutiques, en prédisant la réponse aux traitements ou en améliorant la stratification des patients.
Projets en cours
Actuellement, notre équipe travaille sur plusieurs projets :
- Collaboration avec l’Imperial College de Londres : développement d’un modèle de prédiction de l’expression de l’ARN tumoral à partir d’images histologiques.
- Prédiction de l’efficacité thérapeutique : projets en cours pour évaluer l’efficacité des traitements dans des cancers tels que le carcinome épidermoïde de la tête et du cou ou l’adénocarcinome de l’estomac.
Ces initiatives visent à intégrer une approche multiomique, combinant des données histologiques, radiologiques et moléculaires, pour offrir des solutions innovantes et personnalisées en oncologie.
Défis techniques et perspectives
Bien que l’IA soit devenue une méthode de plus en plus accessible, la généralisation des modèles reste une difficulté majeure, nécessitant des cohortes de taille suffisante pour garantir leur robustesse. Ce défi est particulièrement critique dans le cas des cancers rares, où les approches classiques ne sont souvent pas assez efficaces en raison de la variabilité tumorale. De plus, il faut prendre en compte les différents biais, tels que les disparités entre cohortes, même lorsqu’elles portent sur le même type de cancer. Ces limitations persistent encore aujourd’hui et freinent l’application clinique de l’IA.
C’est pourquoi nos efforts se concentrent sur le développement de nouvelles approches visant à réduire ces biais, tout en améliorant la généralisation des modèles malgré l’utilisation de cohortes de petite taille. Nous explorons des méthodes innovantes pour optimiser l’apprentissage à partir de données limitées, afin de rendre l’IA plus fiable et applicable dans des contextes cliniques complexes.