Prédiction de l'efficacité de l'immunothérapie par Deep Learning à partir de l'image histopathologique dans les carcinomes épidermoïdes ORL

    LAURENT, Martin (2025)
Thèse d'exercice
    Titre
    Prédiction de l'efficacité de l'immunothérapie par Deep Learning à partir de l'image histopathologique dans les carcinomes épidermoïdes ORL
    Auteur
    LAURENT, Martin
    Directeur de thèse
    BENZERDJEB, Nazim
    Date de soutenance
    9 avril 2025
    Discipline
    Médecine
    Résumé
    Le carcinome épidermoïde de la tête et du cou est le sixième cancer le plus fréquent dans le monde, avec environ 900 000 nouveaux cas et 500 000 décès par an. La majorité des patients sont diagnostiqués à un stade avancé. Les traitements conventionnels, incluant la chirurgie, la radiothérapie et la chimiothérapie, ont une efficacité limitée et entraînent des effets secondaires sévères. Bien que l'immunothérapie ait changé la prise en charge de ce cancer, seuls 20 à 30% des patients traités par immunothérapie en tirent un réel bénéfice clinique. Récemment une approche par Deep Learning basée sur l'histologie a montré une efficacité dans la prédiction de l'immunothérapie dans certains cancers dont le carcinome épidermoïde de la tête et du cou, même si ces travaux sont monocentriques et souvent de petite taille. Notre objectif est donc de développer un modèle de Deep Learning capable de prédire la réponse à l'immunothérapie à partir de l'histologie dans une étude bicentrique afin de permettre aux cliniciens de mieux adapter la prise en charge thérapeutique.
    Notre cohorte se composait de patients traités aux Hospices Civiles de Lyon (255/361, 71%) et au Centre Léon Bérard (106/361, 29%). Les patients étaient majoritairement des hommes (285, 79%), fumeurs (299, 83%), consommateurs d'alcool (223, 62%), et avaient un âge moyen de 63 ans (23-94). Par ordre de fréquences, les sites tumoraux identifiés étaient majoritairement au niveau de l'oropharynx (146, 40%), la cavité orale (80, 22%), l'hypopharynx (63, 180/0), et le larynx (39, 11 Les carcinomes épidermoïdes étaient le plus souvent peu différencié (187, 52%), diagnostiqués à un stade avancé (T3T4 ; 245, 68%), accompagnés de métastases ganglionnaires (236, 65%), et sans métastase à distance (326,90%). Les traitements reçus avant l'immunothérapie étaient la chirurgie (232/361, 64%), la chimiothérapie (295/361, 82%) et la radiothérapie (267/361, 74%). Quel que soit le traitement initial, les patients étaient traités par immunothérapie, majoritairement en monothérapie (284, 79%), par nivolumab (246, 68%) ou pembrolizumab (85, 24%) pour une durée moyenne de 4,5 mois (1-77). La majorité des patients étaient des nonrépondeurs (230, 64%), alors que 12% avait une réponse stable ou partielle mais de manière brève (<3 mois), et 24% avait une réponse partielle ou complète de manière prolongée (>3mois ; 88, 24%). Notre approche de Deep Learning basée sur l'histologie a obtenu une précision moyenne de 0,98 dans la prédiction de la réponse à l'immunothérapie sur le groupe d'entraînement, et de 0,97 sur le groupe de validation, avec une aire sous la courbe de 0,97 après 50-100 epochs.
    Au total, ces premières données sur une cohorte Lyonnaise bicentrique sont prometteuses, et suggèrent que notre algorithme pourrait aider les cliniciens à mieux sélectionner les patients ayant le plus de chance de répondre à l'immunothérapie soit de manière brève, soit de manière prolongée afin d'en adapter le traitement. Cependant, ces résultats doivent être pris avec précaution. En effet, il sera important de confirmer ces résultats sur une étude multicentrique de grande envergure et une cohorte de test externe.
    Mots-clés
    Carcinome épidermoïde de la tête et du cou -- Immunothérapie
    Deep learning
    Histopathologie

Citation bibliographique

LAURENT, Martin (2025), Prédiction de l'efficacité de l'immunothérapie par Deep Learning à partir de l'image histopathologique dans les carcinomes épidermoïdes ORL [Thèse d'exercice]