Histopathologie Numérique, Chc, Segmentation des Néoplasmes, Architecture Transformer, Segmentation Sémantique, Apprentissage Profond, Ccr, Évaluation de l'Infiltration Lymphoïde, Évaluation de l'Immunothérapie, Transcriptomique Spatiale

Cette thèse apporte des contributions significatives dans le domaine de la pathologie computationnelle et de l'oncologie en relevant des défis majeurs dans l'analyse des images entières de lames (WSI) et du microenvironnement tumoral (TME). La recherche se concentre sur l'amélioration de la segmentation tumorale, du profilage immunitaire et de la découverte de biomarqueurs en utilisant l'apprentissage profond et la transcriptomique spatiale, avec un accent particulier sur l'hétérogénéité tumorale et les interactions immunitaires. Segmentation tumorale : La thèse propose un modèle novateur basé sur les Transformeurs, appelé HiTrans, conçu pour surmonter les limitations des réseaux neuronaux convolutifs (CNN) traditionnels dans la segmentation tumorale. Ce modèle intègre à la fois l'extraction de caractéristiques locales et la modélisation du contexte global, ce qui le rend particulièrement adapté à la segmentation des tumeurs hétérogènes comme le carcinome hépatocellulaire (HCC). Cette approche permet une identification plus précise de la totalité de la zone tumorale, essentielle pour des tâches cliniques en aval telles que la classification tumorale et la planification du traitement. Quantification de l'infiltration lymphoïde : La réponse immunitaire au sein du TME, en particulier l'infiltration lymphoïde, joue un rôle crucial dans la détermination des résultats cliniques, notamment la réponse à l'immunothérapie. La thèse propose un modèle d'apprentissage profond pour mesurer l'infiltration lymphoïde à partir de lames colorées à l'Hématoxyline et Éosine (HES), plus largement disponibles que les lames immunohistochimiques (IHC). Cette méthode robuste et évolutive utilise des réseaux neuronaux contextuels pour identifier précisément les lymphocytes, fournissant ainsi des informations sur le paysage immunitaire et sa corrélation avec les résultats des patients. Exploration du microenvironnement tumoral : En intégrant la transcriptomique spatiale avec l'analyse des WSI, la thèse propose une approche novatrice permettant de relier les données d'expression génique à des régions spécifiques de la tumeur. Cette approche bimodale permet une compréhension plus détaillée de l'hétérogénéité moléculaire et histologique du TME. Elle facilite également la découverte de schémas spatiaux dans l'expression génique pouvant corréler avec les résultats cliniques et les réponses immunitaires, contribuant ainsi à la découverte de biomarqueurs et aux stratégies de médecine personnalisée. En résumé, cette thèse relève des défis fondamentaux de la pathologie numérique en développant des modèles avancés pour la segmentation tumorale, le profilage immunitaire et l'analyse spatiale du microenvironnement tumoral. Ces contributions ont le potentiel d'améliorer les diagnostics, les pronostics et les stratégies thérapeutiques en cancérologie, en particulier dans le contexte des tumeurs hétérogènes et de la réponse à l'immunothérapie.