Prédiction des caractéristiques anatomopathologiques (expression des récepteurs aux oestrogènes, à la progestérone, récepteur HER2, Ki67) d’une lésion métastatique de primitif sénologique, à partir des données radiomiques uniquement. Etablissement d’un premier modèle de prédiction à partir d’un algorithme de machine learning indépendant de la localisation métastatique, établissement d’un second modèle de prédiction à partir d’un algorithme de machine learning selon chaque localisation métastatique.Prédiction de ces mêmes caractéristiques anatomopathologiques à partir d’un algorithme de deep-learning de type RESNET50.
Prédiction des caractéristiques anatomopathologiques (expression des récepteurs aux oestrogènes, récepteurs à la progestérone, récepteur HER2, Ki67) d’une lésion métastatique de primitif sénologique, via des algorithmes intégrants des données composites (données cliniques initiales et radiomiques).Etablissement d’un premier modèle de prédiction à partir d’un algorithme de machine learning indépendant de la localisation métastatique, établissement d’un second modèle de prédiction à partir d’un algorithme de machine learning selon chaque localisation métastatique.Prédiction de ces mêmes caractéristiques composite (anatomopathologiques et clinique) à partir d’un algorithme de deep-learning de type RESNET50.
Institut de Cancérologie de l’Ouest – 15, rue André Boquel, CS10059, 49055 Angers cedex 02
1) Lésion métastatique biopsiée de primitif sénologique localisée au niveau ganglionnaire, osseux, hépatique et cérébral.2) Anatomopathologique de la lésion biopsiée disponible.3) Patiente métastatique au diagnostic ou en rechute métastatique après un traitement local.4) Patiente en première ligne de traitement.5) Patiente majeure.
6.1.e) RGPD le traitement est nécessaire à l'exécution d'une mission d'intérêt public
ICO Data Factory et Service Promotion
2 ans