Thèse Développement d'Un Super-Agent IA Multimodal et Autonome pour la Segmentation Automatique et la Caractérisation du Microenvironnement Tumoral dans les Cancers de la Tête et du Cou H/F

Université Paris-Saclay GS Life Sciences and Health

Établissement : Université Paris-Saclay GS Life Sciences and Health
École doctorale : Cancérologie : Biologie - Médecine - Santé
Laboratoire de recherche : Radiothérapie Moléculaire et Innovation Thérapeutique
Direction de la thèse : Roger SUN
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-03T23:59:59

Les cancers de la tête et du cou se caractérisent par une forte hétérogénéité anatomique et biologique, rendant la délinéation tumorale pour la radiothérapie longue, variable et opérateur-dépendant. Par ailleurs, les informations cliniques (imagerie, comptes-rendus, pathologie) sont peu intégrées par les systèmes d'IA actuels. L'objectif de cette thèse est de développer et valider une plateforme d'IA multimodale unifiée, basée sur un paradigme d'« agent intelligent », pour (1) segmenter automatiquement les tumeurs et les ganglions, (2) caractériser de manière non invasive le microenvironnement tumoral (infiltration immunitaire, caractéristiques histologiques) à partir de l'imagerie, et (3) fournir une assistance interprétable à la décision clinique. Le projet exploitera une large cohorte observationnelle de Gustave Roussy combinant imagerie (scan, IRM, TEP), données cliniques et anatomopathologiques. Les axes de recherche incluent l'apprentissage de représentations multimodales, la segmentation automatique, l'inférence de biomarqueurs radiomiques et le développement d'un assistant clinique agentique. Les résultats attendus sont des workflows de délinéation standardisés, une réduction de la variabilité et du temps de travail, et un outil d'aide à la décision personnalisé, validé cliniquement, avec un fort impact translationnel pour la radiothérapie de précision.

La planification de la radiothérapie des cancers ORL repose sur une délinéation manuelle des cibles, un processus chronophage et sujet à une forte variabilité inter-opérateur. Parallèlement, l'essor de la radiomique a montré le potentiel de l'imagerie pour extraire des biomarqueurs, mais ces outils restent isolés et difficiles à intégrer en routine clinique. Les récentes avancées en IA, notamment les 'foundation models' multimodaux et les systèmes agentiques, offrent l'opportunité de créer des assistants intelligents capables de raisonner et d'agir sur des données complexes. Ce projet vise à combler le fossé entre la recherche en IA et le besoin clinique d'outils intégrés, interprétables et efficaces pour la radiothérapie de précision.

Développer un super-agent IA capable de : (1) segmenter automatiquement les volumes tumoraux et gangliomaires (GTV, CTV) en imagerie TDM, IRM et TEP. (2) Inférer des caractéristiques du microenvironnement tumoral (infiltration lymphocytaire, hypoxie) à partir de l'imagerie, en les corrélant aux données histologiques. (3) Fournir une assistance à la décision clinique via une interface interactive et interprétable, guidée par le langage naturel.

Le projet utilisera une base de données rétrospective et prospective de Gustave Roussy (plusieurs centaines de patients) incluant images (CT, IRM, TEP), comptes-rendus cliniques et données pathologiques (lames numérisées). La méthodologie comprendra : (1) Apprentissage auto-supervisé pour construire des représentations latentes jointes des différentes modalités. (2) Développement d'architectures de deep learning (ex: U-Net, Transformers) pour la segmentation 3D, potentiellement guidée par des prompts textuels. (3) Analyse radiomique avancée et apprentissage profond pour prédire des caractéristiques du microenvironnement (immunohistochimie). (4) Conception d'un système agentique (framework type LangChain) orchestrant ces différents modules et interagissant avec l'utilisateur via une interface. La validation clinique inclura des études de concordance inter-opérateur (IA vs. experts) et de temps de travail.