FEDERATED-PET : Apprentissage Fédéré en imagerie TEP-TDM au 18FDG pour prédire la survie de patient atteints de cancer pulmonaire métastatique traité par immunothérapie
|
La littérature a montré que le 18FDG-PET-CT fournit des informations prédictives et pronostiques cruciales mais sous-exploitées liées à la biologie tumorale et au profil immunitaire du patient dans le cadre des cancers pulmonaires traités par Immunothérapie. Grâce au cadre d'IA révolutionnaire de FEDERATED-PET, nous visons à améliorer les normes pronostiques actuelles en exploitant pleinement les informations subtiles contenues dans les images TEP-TDM au 18FDG. Nous supposons que le Deep Learning offrira une capacité supérieure d'identification des patients qui ne répondent pas ou qui répondent uniquement à l’immunothérapie, par rapport aux performances des biomarqueurs actuels basés sur l'image.
Objectif principal Développer en collaboration un algorithme d’apprentissage approfondie (DL) prédictif de 12 mois de survie sans progression (SSP) pour l'ICPI en monothérapie chez les patients atteints de CPNPC métastatique, en utilisant la technologie d’apprentissage fédéré (FL).
Objectifs secondaires Développer des algorithmes de DL prédictifs basés sur le FL de : 1- L'échec précoce de l'ICPI. 2- La survie globale prolongée des patients à 24 mois (SG 24 mois). 3- La comparaison des performances des modèles entrainés de manière centralisée versus fédérée pour la prédiction de la SSP à 12 mois. 4- La comparaison des performances des modèles entrainés de manière centralisée versus fédérée pour la prédiction de la SG à 24 mois.
|
Centre Antoine Lacassagne
INRIA