Le cancer est en forte croissance dans le monde comme en france (385 000 nouveaux cas en 2016). Son traitement fait appel à de nombreux intervenants et le partage des information est insuffisant. On assiste à une explosion des données générées pour le traitement. Le machine learning en médecine va permettre de dépasser les capacité cognitives humaines (traitement 5 facteurs maximum en même temps). Il va permettre d'améliorer le diagnostique et la prédiction qui amènera une personnalisation des traitements. Le projet Big Data pour la radiothérapie est soutenu par BPI et implique entre autre plusieurs hopitaux, Atos et Télécom Paristech. Il est original car les données resteront dans les hôpitaux et ce sont les algorithmes qui vont apprendre localement.

1. Application de l’intelligence artificielle à la prédiction
et au diagnostic en cancérologie
Dr Jean-Emmanuel Bibault
Service d’oncologie radiothérapie
Hôpital Européen Georges Pompidou - APHP

2. Traitement du cancer
• 17 Millions de nouveaux cas en 2014 (monde), en croissance de 70% dans les 20 prochaines
années
• 385 000 nouveaux cas en France en 2016
• Domaine complexe, faisant appel à de nombreux intervenants
• Chirurgiens
• Oncologues radiothérapeutes, Oncologues médicaux
• Radiologues, Médecins Nucléaires
• Biologistes
• Anatomopathologistes
• Partage d’informations insuffisant
• A l’intérieur d’un même hôpital entre disciplines
• Entre logiciels
• Entre les hôpitaux au niveau national
• Avec les historiques des traitements et évolutions cliniques des patients

3. Besoins en cancérologie
• Améliorer la prise en charge des patients
• Personnaliser les traitements pour les rendre plus efficaces et moins toxiques
• Workflow automatique pour la récolte des données hétérogènes
• Séquences génétiques
• Données biologiques et cliniques
• Données dosimétriques
• Suivi du patient clinique et santé connectée

4. Explosion du volume de données générées

5. Machine Learning : Historique
• 1940 : Premier concept de réseaux neuronaux
• Cycles de promesses et de déceptions
Image source : Andrew Beam

6. Machine Learning en médecine
• Augmentation du volume & digitalisation des données médicales
• Dépassement des capacités cognitives humaines (max 5 facteurs)
• Possibilités de :
• Diagnostic (classification)
Fiabilité, rapidité
• Prédiction (classification, séries temporelles)
 Personnalisation des traitements

7. 129450 lésions – Inception v3 versus 21 dermatologues
Esteva et al, Nature, 2016

8. • T
• 128 174 images de rétines
• 54 ophtalmologues
• 1 CNN
• Validé sur deux datasets :
– EyePACS-1 (9963 images)
– Messidor-2 (1748 images)
Gulshan et al, JAMA, 2016

9. • 76214 patients
• Prédiction de 78 maladies
Miotto et al, Scientific Reports, 2016

10. • Définir l’état de santé d’un patient à partir de son CT
• Prédire sa longévité

11. Le projet Big Data pour la
radiothérapie

12. PACS
LAB
R&V
Stockage
Sécurisation
Sauvegarde
Partage
Droits d’accès
Standardisation
Homogénéisation
Normalisation
Vérification
Evaluation
Validation, Sélection
DPI
Machine
Learning
DOSIsoftHôpitaux
ATOS
ATOS
LITIS
CentraleSupélec
Télécom ParisTech
Obj
connecté
Data
Discovery
Profil
Data
Lake
HEGP
GustaveRoussy
CentreHenriBecquerel

13. Architecture distribuée
Modèle prédictif
National
Modèle prédictif
Local
Profil de
patient
Abonnement
&
Contribution
Modèle prédictif
Local
Profil de
patient
Abonnement
&
Contribution
Analyse
Prédictive &
Pronostique
Analyse
Prédictive &
Pronostique

14. Cohortes
HEGP GR CHB Total 2020
Rétrospective Par an Rétrospective Par an Rétrospective Par an
ORL 200 50 750 150 930 300 3380
Poumons 500 90 1200 120 500 60 3010
Rectum 400 50 550
Prostate 1000 120 1400 140 3180
Total 2100 310 3350 410 1430 360 10120

15. Débouchés
• Apprentissage sur des données déjà existantes et disponibles
• Création d’un système d’aide à la décision en oncologie radiothérapie
s’appuyant sur du machine learning
• Validation du système dans un essai clinique prospectif

16. Merci
Pour votre attention
jean-emmanuel.bibault@aphp.fr
twitter.com/jebibault