Le projet PREDTWIN

Malgré l'efficacité prouvée de la radiothérapie du cancer de la prostate, les taux de récidive peuvent atteindre jusqu'à 40 % selon le groupe à risque. Ces groupes sont hétérogènes en termes d'agressivité tumorale et de radiosensibilité, compte tenu des facteurs pronostiques « classiques » (stade T, score de Gleason et PSA). Ainsi, il est crucial d'identifier d'autres facteurs prédictifs de récidive afin d'intensifier les traitements locaux ou systémiques des tumeurs à plus haut risque de récidive. Un traitement modifié avec une dose accrue et un nombre réduit de fractions peut avoir un effet positif. Néanmoins, le choix d'un traitement optimal est encore entravé par la connaissance limitée de la réponse tumorale à l'irradiation. Comprendre les effets des rayonnements apparaît donc comme un défi pour planifier une radiothérapie spécifique au patient optimisée, améliorer cliniquement le contrôle tumoral et réduire les effets secondaires. Des études antérieures ont utilisé des facteurs cliniques ou des biomarqueurs d'image à partir de données de population pour prédire la récidive après une radiothérapie (radiomique). Ces méthodes dépendent cependant des données, peuvent présenter des performances limitées et sont souvent inexplicables. Contrairement aux techniques basées sur les données, la modélisation mécaniste est basée sur l'intégration de différentes connaissances biologiques concernant la croissance tumorale et la radiosensibilité. En exécutant des simulations in silico sur des jumeaux numériques, les modèles mécanistiques peuvent aider à prédire la réponse des patients à la radiothérapie avec des comportements probablement explicables.

Objectifs : L'objectif de ce projet est le développement de stratégies intégratives pour la prédiction de la récidive après radiothérapie du cancer de la prostate, en fusionnant la performance des méthodologies basées sur les données avec des modèles biologiques in silico. Les stratégies d'apprentissage automatique, combinées à des approches basées sur des modèles, aideront à i) prédire la récidive individuelle à partir de données spécifiques au patient et ii) optimiser la radiothérapie en simulant différents traitements. Un outil de planification permettant de simuler un traitement sur mesure sur des jumeaux numériques sera mis en place.

Ce projet est coordonné par Oscar Acosta (Université de Rennes). L'U1296 est partenaire de ce projet.

Soutien financier : Ce projet eqt financé par Aviesan/plan Cancer