Deep learning methods for the integration of multi-omics and histopathology data for precision medicine in oncology - Centre de recherche en Épidémiologie et Santé des Populations
Thèse Année : 2024

Deep learning methods for the integration of multi-omics and histopathology data for precision medicine in oncology

Méthodes d'apprentissage profond pour l'intégration de données multi-omiques et d'histopathologie pour la médecine de précision en oncologie

Résumé

Precision medicine is an emerging approach for disease treatment and prevention that takes into account individual variability in genes, environment, and lifestyle. The objective it to predict more accurately which treatment and prevention strategies for a particular disease will work in which groups of people. In oncology, precision medicine comes with a drastic increase in the data that is collected for each individual, characterized by a large diversity of data sources. Advanced cancer patients receiving cancer treatment, for instance, are often subject to a complete molecular profiling, on top of clinical profiling and pathology images. As a consequence, integration methods for multi-modal data (image, clinical, molecular) is a critical issue to allow the definition of individual predictive models. This thesis tackles the development of computational models and learning strategies adept at deciphering complex, high-dimensional interactions. A significant focus is also placed on the explainability of these AI-driven models, ensuring that predictions are understandable and clinically actionable.
La médecine de précision est une approche émergente pour le traitement et la prévention des maladies qui prend en compte la variabilité individuelle dans les gènes, l'environnement et le mode de vie. L'objectif est de prédire plus précisément quelles stratégies de traitement et de prévention pour une maladie particulière fonctionneront dans quels groupes de personnes. En oncologie, la médecine de précision s'accompagne d'une augmentation drastique des données collectées pour chaque individu, caractérisée par une grande diversité de sources de données. Par exemple, les patients recevant un traitement contre le cancer sont souvent soumis à un profilage moléculaire complet, en plus du profilage clinique et des images de pathologie anatomique. Par conséquent, l'intégration de données multimodales (images, cliniques, moléculaires) est une question critique pour permettre la définition de modèles prédictifs individuels. Cette thèse aborde le développement de modèles computationnels et de stratégies d'apprentissage capables de déchiffrer des interactions complexes et de haute dimension. Un accent significatif est également mis sur l'explicabilité de ces modèles pilotés par l'IA, assurant que les prédictions soient compréhensibles et cliniquement exploitables.
Fichier principal
Vignette du fichier
134625_BENKIRANE_2024_archivage.pdf (13.41 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04871130 , version 1 (07-01-2025)

Identifiants

  • HAL Id : tel-04871130 , version 1

Citer

Hakim Benkirane. Deep learning methods for the integration of multi-omics and histopathology data for precision medicine in oncology. Cancer. Université Paris-Saclay, 2024. English. ⟨NNT : 2024UPASR022⟩. ⟨tel-04871130⟩
0 Consultations
0 Téléchargements

Partager

More