Graphical machine learning for precision medicine : radiomic analysis of hepatocellular carcinoma

Dans ces travaux de recherche, nous explorons différents modèles de Machine Learning et de Deep Learning avec comme cadre applicatif la prédiction de l'état de santé de patients atteints de carcinome hépatocellulaire (CHC). Le CHC est le cancer primitif du foie le plus fréquent au monde et, par conséquent, l'un des plus meurtriers. Sa nature extrêmement hétérogène en fait une maladie très difficile à anticiper, même pour des experts. C'est en raison de cette hétérogénéité que le développement d'outils d'aide au pronostic est particulièrement pertinent. Notre problématique peut se résumer ainsi : concevoir des algorithmes de classification, en Machine Learning ou Deep Learning, suffisamment expressifs pour capturer l'hétérogénéité du CHC, tout en restant interprétables, c'est-à-dire fondés sur une règle de décision simple à comprendre. Au fil du manuscrit, nous présentons des méthodes de l'état de l'art et proposons de nouveaux modèles pour répondre à cette problématique, en nous focalisant sur une classe de modèles : les modèles graphiques. Ces derniers sont particulièrement intéressants dans un contexte médical car intrinsèquement interprétables : leurs règles de décision s'appuient sur une structure graphique, visuellement compréhensible même par des non-experts. Bien que très pratique, ils restent néanmoins complexes à manipuler de part la nature NP-Complet du problème d'apprentissage de graphe auquel ils font face. Nous nous intéressons majoritairement à l'apprentissage de structure contrainte moins expressive mais avec des garanties d'optimalité nécessaires pour une application clinique fiable. Notre objectif est la construction de modèles fiables, prenant en compte les interactions entre les variables du problème, tout en gardant des modèles simples à utiliser et implémenter. Pour ce faire, nous nous inspirons de la théorie bayésienne, notamment en mobilisant des résultats d'optimalité connus pour certains réseaux bayésiens. La régression logistique étant un modèle très apprécié dans le domaine médical, nous concevons des variantes interprétables et plus expressives de ce modèle. Les modèles présentés et développés sont évalués tout au long de ce manuscrit, à la fois sur des données simulées, afin de mettre en évidence certains comportements caractéristiques, et sur des données réelles, afin d'en mesurer les performances globales. Parallèlement, nous exploitons la radiomique, une technique d'extraction de caractéristiques : la radiomique, comme les autres technologies « omics », est prometteuse et récente. Elle permet d'extraire un grand nombre de descripteurs à partir des images médicales. Ces données radiomiques sont spécifiques et requièrent un traitement adapté. Nous présentons dans ce manuscrit différents chaines de traitement complètes : de l'extraction des caractéristiques à l'évaluation des modèles, présentant leurs forces et faiblesses et testant leurs efficacités sur un jeu de données du CHU de Nice portant sur le CHC.