Thèse Intégration de Biomarqueurs Tep - Tdm Tumoraux et Systémiques pour Améliorer la Stratification en Cancer Pulmonaire H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes École doctorale : Electrical, Optical, Bio-physics and Engineering Laboratoire de recherche : Laboratoire Imagerie, Radiothérapie Innovante et médecine des Systèmes Direction de la thèse : Fanny ORLHAC ORCID 0000000255881867 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-05T23:59:59 Cette thèse a pour objectif de développer des biomarqueurs pronostiques innovants à partir d'images TEP/TDM au [18F]FDG corps entier chez des patients atteints de cancer pulmonaire. L'originalité du projet réside dans une approche intégrative, qui combine l'analyse des lésions tumorales et des organes/tissus sains pour caractériser à la fois la maladie et le statut fonctionnel global du patient.

Une attention particulière sera portée au métabolisme cérébral, récemment identifié comme un puissant facteur pronostique, ainsi qu'aux interactions entre organes et à leurs perturbations en présence d'un cancer. Ces biomarqueurs seront intégrés à des données biologiques et cliniques pour décrypter les mécanismes sous-jacents et révéler de nouvelles signatures pronostiques.

L'objectif final est de produire des modèles prédictifs intégratifs, robustes et généralisables, capables d'améliorer la stratification des patients et de contribuer à une médecine plus personnalisée en oncologie, s'appuyant sur une approche systémique de la maladie.
Le cancer pulmonaire demeure l'une des principales causes de mortalité par cancer dans le monde. Malgré les avancées majeures liées aux thérapies ciblées et à l'immunothérapie, la réponse aux traitements reste très variable d'un patient à l'autre, soulignant le besoin crucial de nouveaux outils de stratification pronostique pour les médecins.

Dans ce contexte, l'imagerie TEP/TDM au [18F]FDG occupe une place centrale en cancérologie, en particulier chez les patients atteints de formes avancées ou métastatiques. Si son utilisation repose historiquement sur l'analyse des lésions tumorales, elle offre également une opportunité unique d'explorer, de manière non invasive et à l'échelle du corps entier, le métabolisme systémique du patient.

Des travaux récents, dont ceux de notre équipe, suggèrent que les tissus sains constituent une source d'information pronostique encore largement sous-exploitée [1]. Tout récemment, nous avons notamment montré que le métabolisme glucidique cérébral est fortement associé au devenir des patients atteints de cancer pulmonaire avancé [2]. Par ailleurs, nos résultats mettent en évidence l'existence d'un réseau d'interactions métaboliques entre organes chez les sujets sains, ainsi que sa perturbation en présence d'un cancer [3].

Ces observations ouvrent la voie à une vision intégrative du cancer, dans laquelle la maladie ne se limite pas à la/les lésion(s) tumorale(s) mais implique un déséquilibre systémique à l'échelle de l'organisme. Toutefois, les mécanismes biologiques sous-jacents à ces altérations restent encore mal élucidés.

Dans ce contexte, ce projet de thèse vise à mieux comprendre ces interactions systémiques et à identifier de nouveaux biomarqueurs d'imagerie, afin de développer des modèles pronostiques intégratifs innovants en vue d'améliorer la stratification et la prise en charge personnalisée des patients.
L'objectif principal de cette thèse est de développer et caractériser des biomarqueurs pronostiques à partir d'images TEP/TDM corps entier chez des patients atteints de cancer pulmonaire, puis de les intégrer à des données cliniques et/ou biologiques afin d'améliorer la prédiction de leur évolution. Le travail de thèse reposera sur l'analyse de plusieurs cohortes rétrospectives de patients atteints de cancer pulmonaire, incluant des données multicentriques.
Les principales étapes méthodologiques seront :
- Extraction de biomarqueurs radiomiques à partir des images TEP/TDM au FDG issus de l'ensemble des lésions tumorales et des organes et tissus sains grâce à des algorithmes de segmentation automatique [4-8].
- Analyse statistique : modèles de survie, apprentissage automatique.
- Intégration aux modèles de données biologiques (biologie sanguine, immunologie), histologiques et cliniques (statut nutritionnel, performance status, etc.) [9].
- Analyse statistique et modélisation prédictive (modèles de survie, apprentissage automatique).
- Étude des interactions inter-organes.
- Validation des modèles sur des cohortes indépendantes.

Master ou diplôme d'ingénieur avec une spécialisation en apprentissage automatique, statistiques ou analyse d'images.
Connaissances en traitement d'images appréciées.
Excellente connaissance de l'apprentissage automatique et des statistiques.
Excellentes compétences en programmation en Python et/ou R.
Bonnes capacités rédactionnelles.
Bonnes compétences relationnelles et de communication.

Niveau d'anglais requis: Courant: Vous pouvez utiliser la langue pour interagir efficacement.