Développement de méthodes d'intelligence artificielle multimodale pour l'analyse de l'IRM dans le cancer de l'ovaire avancé // Development of multimodal artificial intelligence methods for MRI analysis in advanced ovarian cancer

Le cancer ovarien séreux de haut grade est caractérisé par une forte hétérogénéité tumorale et un taux élevé de rechute après chimiothérapie à base de sels de platine. La résistance au platine, définie par une récidive précoce après traitement, constitue le principal déterminant du pronostic. Malgré l'identification de facteurs moléculaires tels que les mutations BRCA ou le statut HRD, la capacité à prédire précocement la résistance reste limitée.

Ce projet de thèse vise à développer et valider des modèles prédictifs multimodaux de résistance au platine à partir d'une large cohorte multicentrique sino-française d'environ 600 patientes atteintes de cancer ovarien avancé. Cette cohorte comprend des IRM pelviennes standardisées, des données cliniques complètes (FIGO, résécabilité, KELIM), des données mutationnelles, des informations histopathologiques et un suivi de survie à long terme.

La première étape consistera à mettre en place une segmentation automatique par apprentissage profond des masses ovariennes et des lésions de carcinose péritonéale sur IRM. Cette segmentation permettra une quantification volumétrique précise de la charge tumorale ainsi qu'une analyse spatiale détaillée.

Dans un second temps, des caractéristiques radiomiques conformes aux standards IBSI seront extraites des volumes segmentés, incluant des descripteurs de texture, de forme et d'intensité. Une attention particulière sera portée à l'évaluation de l'hétérogénéité intratumorale, notamment via des approches de clustering spatial et de mesure d'entropie, afin de caractériser la structure interne des tumeurs et des implants péritonéaux.

L'objectif central est d'identifier des signatures radiomiques associées à la résistance au platine et à la survie sans progression. Ces signatures seront intégrées dans des modèles prédictifs multimodaux combinant imagerie, données cliniques (dont le score KELIM), statut mutationnel et paramètres histologiques.

Des approches statistiques pénalisées et des méthodes d'apprentissage automatique seront utilisées afin de limiter le surapprentissage et d'assurer la robustesse des modèles. La cohorte multicentrique permettra une validation interne croisée et une validation externe entre centres.

Ce projet ambitionne de dépasser les approches basées uniquement sur des facteurs cliniques ou moléculaires en intégrant la dimension spatiale de l'hétérogénéité tumorale visible en IRM. Il contribuera à une meilleure stratification des patientes dès le diagnostic et pourrait guider des stratégies thérapeutiques adaptées aux profils de risque.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

High-grade serous ovarian cancer is characterized by marked spatial heterogeneity and a high rate of relapse following platinum-based chemotherapy. Platinum resistance, defined by early recurrence after platinum exposure, remains the main determinant of survival. Although molecular markers such as BRCA mutations and homologous recombination deficiency (HRD) provide partial prognostic information, they fail to capture the spatial complexity of tumor organization and its relationship to treatment response.

This PhD project aims to develop robust multimodal predictive models of platinum resistance using a large multicentric Sino-French cohort of approximately 600 patients with advanced ovarian cancer. The dataset includes standardized pelvic MRI examinations, comprehensive clinical data (FIGO stage, surgical outcome, KELIM score), mutational profiles, histopathological information, and long-term survival outcomes.

The first objective is to implement automated deep-learning–based segmentation of primary ovarian tumors and peritoneal carcinomatosis on MRI. State-of-the-art convolutional neural networks (e.g., U-Net–based architectures) will be trained and validated to achieve accurate and reproducible volumetric delineation across centers. Domain adaptation strategies will be explored to address inter-site variability.

Following segmentation, IBSI-compliant radiomic features will be extracted, including first-order statistics, texture descriptors (GLCM, GLRLM, GLSZM), wavelet-based features, and shape parameters. Particular emphasis will be placed on quantitative assessment of intratumoral heterogeneity through spatial clustering, entropy metrics, and graph-based representation of tumor architecture.

Dimensionality reduction and feature stability analysis will be performed using correlation filtering, stability selection, and penalized regression approaches. The primary computational objective is to identify imaging-derived signatures predictive of platinum resistance and progression-free survival.

Multimodal predictive models will then be developed by integrating radiomic features with clinical variables, including the KELIM score, mutational status (BRCA/HRD), and pathological parameters. Machine learning methods such as penalized logistic regression, random forests, and gradient boosting will be compared. Model performance will be assessed using nested cross-validation and inter-center validation to ensure generalizability.

In addition, explainability techniques (e.g., SHAP values) will be applied to identify the most informative imaging and clinical features, ensuring interpretability and clinical relevance.

By leveraging a large-scale multicentric dataset and advanced computational modeling, this project seeks to move beyond traditional prognostic markers and to establish reproducible, imaging-driven predictors of platinum resistance. Ultimately, it aims to contribute to precision oncology by integrating spatial tumor heterogeneity into treatment stratification strategies.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Public funding alone (i.e. government, region, European, international organization research grant)

Concours pour un contrat doctoral

Université de Montpellier

166 I2S - Information, Structures, Systèmes

Le candidat ou la candidate devra être titulaire d'un Master (ou équivalent) en informatique, mathématiques appliquées, ingénierie biomédicale, physique médicale ou discipline quantitative équivalente. Un solide parcours en analyse d'images médicales est indispensable. Le/la candidat(e) devra justifier d'une expérience concrète dans le traitement d'images médicales, idéalement en IRM. Une expertise en segmentation tumorale, radiomique, ou en apprentissage profond appliqué à l'imagerie est attendue. La maîtrise de Python et des frameworks de deep learning (PyTorch, TensorFlow ou équivalent) est requise. Une expérience préalable en environnement oncologique est obligatoire. Le/la candidat(e) doit avoir travaillé dans un centre de cancérologie, un service hospitalier d'oncologie, ou une unité de recherche en oncologie translationnelle, et être familiarisé(e) avec les problématiques cliniques liées à la caractérisation tumorale et à la réponse au traitement. Les candidatures ne présentant aucune expérience en imagerie médicale ou en oncologie ne seront pas examinées. Le/la candidat(e) devra également posséder de solides compétences en modélisation statistique, validation croisée, et évaluation de performance des modèles prédictifs. Une expérience dans l'analyse de données multicentriques et la gestion de variabilité inter-sites constituera un atout supplémentaire. Compte tenu du caractère international et interdisciplinaire du projet, le/la candidat(e) devra démontrer une capacité à travailler en collaboration étroite avec des cliniciens, radiologues et biostatisticiens. Une excellente maîtrise de l'anglais scientifique, à l'écrit comme à l'oral, est requise. Le profil recherché combine une expertise computationnelle avancée, une compréhension approfondie de l'imagerie oncologique, et une capacité à évoluer dans un environnement de recherche clinique exigeant.
The candidate must hold a Master's degree (or equivalent) in computer science, biomedical engineering, applied mathematics, medical physics, or a closely related quantitative discipline. A strong and demonstrated track record in medical image analysis is mandatory. The applicant must have prior hands-on experience working with medical imaging data, preferably MRI. Experience with tumor segmentation, radiomics, or deep learning–based image processing is expected. Proficiency in Python and deep learning frameworks such as PyTorch or TensorFlow is required. Previous experience within an oncology research or clinical environment is essential. The candidate must demonstrate familiarity with oncologic imaging workflows, tumor characterization, and clinical endpoints related to treatment response. Experience working in a cancer center, hospital-based research unit, or translational oncology laboratory is a strict requirement. Applications from candidates without prior experience in medical imaging or oncology settings will not be considered. The candidate should also possess solid knowledge of statistical modeling, cross-validation strategies, and performance evaluation metrics. Experience with multicentric datasets, domain adaptation, or harmonization techniques will be considered an advantage. Given the international and interdisciplinary nature of the project, the candidate must be capable of collaborating effectively with clinicians, radiologists, and biostatisticians. Strong written and spoken English skills are required. The ideal candidate combines strong computational expertise with a deep understanding of oncologic imaging and demonstrates autonomy, scientific rigor, and the ability to work within a clinically driven research environment.