Recherche de signatures pronostiques du cancer de l’ovaire séreux de haut grade par apprentissage automatique
Recherche de signatures pronostiques du cancer de l’ovaire séreux de haut grade par apprentissage automatique
Projet régional
Financement EMERGENCE 2018 (Cancéropôle Grand Ouest)
En partenariat avec ICO / INSERM / Université d'Angers
Le cancer de l’ovaire a un pronostic particulièrement sombre. Il semble indispensable de pouvoir mieux caractériser ces tumeurs par des biomarqueurs pronostiques permettant une prise en charge diagnostique et thérapeutique personnalisée pour chaque patiente. A l’ère des Big Data, nous souhaitons développer une approche multimodale permettant de traiter des données hétérogènes de grande dimension. En s’appuyant sur des méthodes de type deep-learning, nous souhaitons développer un algorithme prenant en compte des données dites « omiques » associées à des données histopathologiques et cliniques.
Financement EMERGENCE 2018 (Cancéropôle Grand Ouest)
En partenariat avec ICO / INSERM / Université d'Angers
Le cancer de l’ovaire a un pronostic particulièrement sombre. Il semble indispensable de pouvoir mieux caractériser ces tumeurs par des biomarqueurs pronostiques permettant une prise en charge diagnostique et thérapeutique personnalisée pour chaque patiente. A l’ère des Big Data, nous souhaitons développer une approche multimodale permettant de traiter des données hétérogènes de grande dimension. En s’appuyant sur des méthodes de type deep-learning, nous souhaitons développer un algorithme prenant en compte des données dites « omiques » associées à des données histopathologiques et cliniques.
Le cancer de l’ovaire a un pronostic particulièrement sombre. Il semble indispensable de pouvoir mieux caractériser ces tumeurs par des biomarqueurs pronostiques permettant une prise en charge diagnostique et thérapeutique personnalisée pour chaque patiente. A l’ère des Big Data, nous souhaitons développer une approche multimodale permettant de traiter une quantité importante de données mais surtout de pouvoir traiter différents types de données. Cette approche apparaît évidente pour être le plus exhaustif possible. En s’appuyant sur des méthodes de deep-learning, nous souhaitons développer un algorithme prenant en compte des données dites « omiques » associées à des données histopathologiques et cliniques. Pour ce faire, dans un premier temps nous travaillerons sur les données publiques disponibles du TCGA comprenant 608 tumeurs de l’ovaire séreux de haut grade. Une méthode d’auto-encodeurs (réseau de neurones artificiels) sera utilisée pour traiter les données transcriptomiques et une méthode dite CNN (réseau de neurones convolutif) sera réalisée pour les données histopathologiques. Nous validerons par la suite notre modèle multimodal prédictif sur des données locales rétrospectives de l’ICO issues de 10 échantillons (lames d’anatomopathologie et séquençage exomes et transcriptomes). Ce projet se réalisera selon une approche pluri disciplinaire et complémentaire grâce aux laboratoires de génétique moléculaire de l’ICO expert en analyse moléculaire et au LARIS (Université d’Angers), experte en intelligence artificielle. L’objectif dans un second temps sera d’affiner l’algorithme en intégrant d’autres types de données telles que l’imagerie notamment. A plus long terme, il sera intéressant de pouvoir développer, au-delà de signatures pronostiques, des signatures prédictives, après obtention de données relatives à la réponse au traitement dans le cancer de l’ovaire.
Equipe projet :
- MAI / LARIS : Pr Pierre Chauvet, Nisrine Jrad, Jean-Marie Marion, Elena Menand
- ICO / INSERM : Pr Alain Morel, Véronique Verrièle, Christophe Passot, Manon De Vries, Valérie Seegers, Jonathan Dauvé, Leslie Tessier
Actualités
Il n'y a pas d’événement organisé pour le moment
