Thèse Imagerie Tep pour la Caractérisation Moléculaire des Lymphomes Non Hodgkiniens et la Prédiction de leur Évolution Apport de l'Apprentissage Profond et des Modèles de Fondation 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 : Irène BUVAT ORCID 0000000270536471 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-08-31T23:59:59 Le lymphome est une maladie extrêmement hétérogène, incluant plusieurs sous-types, entre les lymphomes de Hodgkin, et les lymphomes non-hodgkiniens. L'évolution de la maladie est très variable d'un patient à l'autre, avec des lymphomes dits indolents et d'autres agressifs, mais on peut aussi retrouver une hétérogénéité aussi au sein d'un sous-type de lymphome donné. En effet, certains patients demeurent asymptomatiques pendant plusieurs décennies, tandis que d'autres connaissent un échec thérapeutique précoce associé à une évolution particulièrement défavorable. Cette hétérogénéité clinique repose sur une hétérogénéité biologique dont la caractérisation a progressé, mais sans qu'une classification permettant de capturer cette diversité ne soit applicable en routine pour orienter les décisions thérapeutiques ultérieures. La détermination du pronostic d'un patient lors de son diagnostic représente aujourd'hui l'un des principaux besoins médicaux non satisfaits dans cette maladie, alors qu'il s'agit d'une étape essentielle de la prise en charge clinique. Le laboratoire IRIS est engagé dans plusieurs projets visant à prédire l'évolution des patients atteints de lymphomes, notamment les projets BIDIFLY et MOPETFOL concernant le lymphome folliculaire, et le projet Pro Freeman concernant le lymphome du manteau. Dans le cadre de ces projets, le laboratoire dispose de grandes banques de données d'images de tomographie par émission de positons (TEP scans), ainsi que de données moléculaires, biologiques, histologiques et cliniques pour plus de 1500 patients. Nous avons déjà démontré que ces images renferment des informations corrélées au pronostic des patients, en nous appuyant sur des caractéristiques images prédéfinies (eg volume tumoral total, dissémination de la maladie) et calculables automatiquement en utilisant l'apprentissage automatique. Néanmoins, avec l'avènement des modèles de fondation, notre hypothèse est que ces modèles pourraient révéler des caractéristiques images encore inexploitées et pourtant associées à l'évolution de la maladie.L'objectif de la thèse est d'étudier la valeur ajoutée de modèles utilisant l'apprentissage profond et des modèles de fondation sur des images médicales (TEP scans) pour caractériser les lymphomes et identifier des anomalies moléculaires associées au pronostic du patient. Il s'agira de construire des modèles pronostiques et de déterminer si l'usage de l'apprentissage profond permet de dépasser les performances des scores pronostiques multimodaux actuellement utilisés pour stratifier les patients. Le lymphome est une maladie extrêmement hétérogène, incluant plusieurs sous-types, entre les lymphomes de Hodgkin, et les lymphomes non-hodgkiniens (incluant entre autres les lymphomes folliculaires, les lymphomes du manteau ou lymphomes B diffus à grandes cellules). L'évolution de la maladie est très variable d'un patient à l'autre, avec des lymphomes dits indolents et d'autres agressifs, mais on peut aussi retrouver une hétérogénéité aussi au sein d'un sous-type de lymphome donné. En effet, certains patients demeurent asymptomatiques pendant plusieurs décennies, tandis que d'autres connaissent un échec thérapeutique précoce associé à une évolution particulièrement défavorable. Cette hétérogénéité clinique repose sur une hétérogénéité biologique dont la caractérisation a certes progressé ces dernières années, mais sans qu'une classification permettant de capturer cette diversité ne soit applicable en routine pour orienter les décisions thérapeutiques ultérieures. La détermination du pronostic d'un patient lors de son diagnostic représente aujourd'hui l'un des principaux besoins médicaux non satisfaits dans cette maladie, alors qu'il s'agit d'une étape essentielle de la prise en charge clinique initiale. Le laboratoire IRIS est engagé dans plusieurs projets visant à prédire l'évolution des patients atteints de lymphomes, notamment les projets BIDIFLY et MOPETFOL concernant le lymphome folliculaire, et le projet Pro Freeman concernant le lymphome du manteau. Dans le cadre de ces projets, le laboratoire dispose de grandes banques de données d'images de tomographie par émission de positons (TEP scans) et de coupes histologiques numérisées (Whole Slide Imaging - WSI), ainsi que de données moléculaires, biologiques et cliniques pour plus de 1500 patients. Nous avons déjà démontré que ces images renferment des informations corrélées au pronostic des patients, en nous appuyant sur des caractéristiques images prédéfinies (eg volume tumoral total, dissémination de la maladie) et calculables automatiquement en utilisant l'apprentissage automatique ; ou encore que certaines signatures moléculaires peuvent être prédites par l'analyse de lames histologiques. Néanmoins, avec l'avènement des modèles de fondation, existant aussi bien pour l'imagerie médicale corps entier que pour les images histologiques, notre hypothèse est que ces modèles pourraient révéler des caractéristiques images encore inexploitées et pourtant associées à l'évolution de la maladie. L'objectif de la thèse est d'étudier la valeur ajoutée de modèles utilisant l'apprentissage profond et des modèles de fondation sur des images médicales (TEP scans) pour caractériser les lymphomes et identifier des anomalies moléculaires associées au pronostic du patient. Il s'agira de construire des modèles pronostiques et de déterminer si l'usage de l'apprentissage profond permet de dépasser les performances des scores pronostiques multimodaux actuellement utilisés pour stratifier les patients. Grâce à une collaboration avec le LYSARC (https://www.lysa-lymphoma.org), nous disposons déjà d'une base de données de plus de 1000 patients atteints d'un lymphome folliculaire (projet Bidifly) pour lesquels des données multi-omiques (TEP scans, dont examens longitudinaux, coupes histologiques numérisées, données moléculaires, dont profils de mutations et d'expression génique) sont adossées aux données cliniques. Les données sont déjà triées et ont passé les contrôles qualité de rigueur, permettant un travail d'intégration tardive des différentes modalités. Nous disposons également d'une base de données « vie réelle » de plus de 650 patients atteints du même type de lymphomes (projet MOPETFOL, base REALYSA), également triée et comportant le même type de données multi-omiques et de suivi. De façon similaire, nous aurons accès à une base de données multi-omiques de patients atteints de lymphomes du manteau dans le cadre du projet ProFreeMan (environs 200 patients). Enfin, nous disposons au laboratoire des TEP scans de plusieurs centaines de patients atteints de lymphomes B diffus à grandes cellules pour lesquels l'évolution du patient est connue.Cette masse de données va permettre d'explorer l'intérêt des méthodes d'apprentissage profond et des modèles de fondation afin de déterminer si ces approches identifient des signaux non encore utilisés pour la stratification des patients. Seront ainsi étudiés :- La possibilité d'identifier des caractéristiques sur les TEP scans associées au pronostic.- La corrélation entre le profil évolutif de la maladie mesuré par le TEP scan et par le ctDNA, après un traitement d'induction.- La possibilité d'identifier des caractéristiques sur les TEP scans initiaux associées aux caractéristiques issues des autres modalités (WSI, mutations, expression génique).- L'interprétation moléculaire des caractéristiques d'imagerie (TEP ou WSI) identifiées comme pronostiques.- La valeur ajoutée des méthodes reposant sur l'apprentissage profond et les modèles de fondation par rapport aux méthodes actuellement utilisées (et reposant sur une analyse d'expert) pour calculer des scores pronostiques.Ces analyses seront réalisées dans le Lymphoma Data Hub et via les ressources de calcul auxquelles a accès l'Unité IRIS.

- Master ou spécialisation en statistiques, sciences des données, apprentissage, traitement du signal et de l'image, mathématiques appliquées- Compétences en programmation en C, C++, Java, Python ou langages similaires- Envie de travailler dans un environnement pluridisciplinaire aux côtés de médecins, d'informaticiens, de biologistes, de physiciens, etc.- Très bonne maîtrise de l'anglais, à l'écrit comme à l'oral

• Statistiques
• Python
• C++
• Programmation
• Anglais
• Java
• Traitement du signal
• Mathématiques