[fr] français
Coordinateur : Pr. Renaud De Crevoisier, Centre Eugène Marquis de Rennes
Partenaire : D. Pasquier, Centre Oscar Lambret, Rochdi Merzouki, Université de Lille, Jérémie Boulanger, Université de Lille CRIStAL
Équipes : SoftE du Groupe Thématique : ToPSys / SIGMA du Groupe Thématique : DatInG
Dates : 2023 - 2027
Résumé :
La radiothérapie (RT) des cancers ORL conduit à des toxicités spécifiques diminuant la qualité de vie des patients. Les facteurs de risques de toxicité sont en relation avec différents paramètres souvent encore mal identifiés et mal reliés entre eux : cliniques (comorbidité), radiobiologiques (radiosensibilité) et dosimétriques dans une relation dose-volume effet complexe. Par ailleurs, à chaque patient est associé aujourd’hui un nombre considérable de données multimodales (en particulier images), dans un contexte d’émergence de l’intelligence artificielle. Enfin, si les avancées technologiques de la RT sont aujourd’hui majeures, celle-ci n’est cependant clairement pas optimisée et insuffisamment personnalisée.
Objectifs :
L’hypothèse est que l’intégration de modèles prédictifs de toxicités, performants, multimodaux (clinique/radiobiologique/image/dose) multi-échelles (spatiale/temporelle), dans une approche d’irradiation sophistiquée de la sphère ORL puisse diminuer ces toxicités. Les deux objectifs principaux sont donc :
1. Générer ces modèles pour chaque toxicité de la sphère ORL, dans une approche multidisciplinaire ;
2. Identifier, par simulation/modélisation numérique, la technique optimale, personnalisée de RT adaptative guidée par l’image, intégrant ces modèles.
Méthodes :
La réalisation du projet, pendant 5 ans, repose sur 6 équipes expertes, en collaboration avec des centres cliniques et 2 équipes internationales. Le projet est divisé en 8 tâches :
1. Tâche 1 : Collection des données : 1217 patients traités par RT pour des tumeurs ORL dans 4 essais prospectifs, avec des données originales portant sur la xerostomie, la dysphagie, l’ostéoradionécrose et la toxicité oculaire ;
2. Tâche 2 : Établissement de modèles de prédiction "Normal tissue complication probability" : utilisant des méthodes de machine learning ;
3.Tâche 3 : Des analyses "Voxel-wise" : pour l’identification de sous-régions hautement prédictives de toxicité ;
4. Tâche 4 : Analyses radiomics : sur images scannographiques, IRM et CBCT pré et perthérapeutiques, pour identifier une "signature image" de la dose (dosiomics) ou prédictive de toxicité ;
5. Tâche 5 : Analyses radiobiologiques : principalement le modèle prédictif RIANS (radioinduced nucleoshuttling of the ATM protein) et la régénération osseuse ;
6. Tâche 6 : Simulation numérique, à l’échelle microscopique, de la réponse des tissus sains à l’irradiation ;
7. Tâche 7 : Établissement d’un modèle prédictif intégratif (résultant des différentes tâches) ;
8. Tâche 8 : Identification d’une stratégie de RT optimisée, guidée par le modèle intégratif, par simulations, pour diminuer les toxicités.
Abstract :
Radiotherapy (RT) for ENT cancers leads to specific toxicities that reduce patients’ quality of life. The risk factors for toxicity are related to various parameters that are often still poorly identified and poorly interconnected : clinical (comorbidity), radiobiological (radiosensitivity) and dosimetric in a complex dose-volume effect relationship. In addition, each patient is now associated with a considerable amount of multimodal data (particularly images), against a backdrop of emerging artificial intelligence. Finally, while there have been major technological advances in RT, it is clearly not optimised or sufficiently personalised.
Objectives :
The hypothesis is that the integration of effective, multimodal (clinical/radiobiological/image/dose), multiscale (spatial/temporal) predictive toxicity models into a sophisticated irradiation approach for the ENT sphere could reduce these toxicities. The two main objectives are therefore :
1. To generate these models for each toxicity of the ENT sphere, in a multidisciplinary approach ;
2. To identify, by numerical simulation/modelling, the optimum personalised image-guided adaptive RT technique incorporating these models.
Methods :
The project will be carried out over 5 years by 6 expert teams, in collaboration with clinical centres and 2 international teams. The project is divided into 8 tasks :
1. Task 1 : Data collection : 1217 patients treated with RT for ENT tumours in 4 prospective trials, with original data on xerostomy, dysphagia, osteoradionecrosis and ocular toxicity ;
2. Task 2 : Establishment of ’Normal tissue complication probability’ prediction models : using machine learning methods ;
3. Task 3 : ’Voxel-wise’ analyses : to identify subregions that are highly predictive of toxicity ;
4. Task 4 : Radiomics analyses : on pre- and per-therapy scans, MRI and CBCT images, to identify an ’image signature’ of the dose (dosiomics) or predictive of toxicity ;
5. Task 5 : Radiobiological analyses : mainly the RIANS (radioinduced nucleoshuttling of the ATM protein) predictive model and bone regeneration ;
6. Task 6 : Numerical simulation, on a microscopic scale, of the reponse of healthy tissues to irradiation ;
7. Task 7 : Establishment of an integrative predictive model (resulting from the various tasks) ;
8. Task 8 : Identification of an optimised RT strategy, guided by the integrative model, using simulations to reduce toxicity.