Projets en cours

Le projet consiste à déterminer et explorer les possibilités offertes par les tableaux de bord dynamiques dans un contexte médical ainsi que les structures de gestion de données associées. Ce projet considère donc plusieurs aspects de la gestion de données. En ce sens, les considérations liées aux transferts de données DICOM ainsi que différentes approches de gestion et de conservation de ces dernières sont considérées. De plus, les tableaux de bords seront conçus pour assurer une présentation efficace, claire et concise par des outils de visualisation reconnus. Différents ajouts seront effectués sur les différentes portions du projet lors de sa réalisation selon la direction prise par la recherche ainsi que les besoins des professionnels de la santé. Une emphase particulière est attribuée au respect des principes FAIR sur l’ensemble du système résultant.

En radiologie diagnostique, l'utilisation des rayonnements ionisants se justifie par des avantages supérieurs aux risques. D'un point de vue épidémiologique, cet équilibre est difficile à évaluer car des valeurs de dose précises pour les individus ne sont pas disponibles. Ce projet consiste à développer des outils pour rapporter automatiquement la dose aux organes à partir d'images de tomodensitométrie (CT). Tout d'abord, un outil de segmentation multiclasse basé sur l'apprentissage automatique sera développé pour effectuer automatiquement le contour des organes dans les études d'imagerie par tomodensitométrie. Ensuite, un code Monte Carlo rapide basé sur GPU sera utilisé pour calculer des cartes de dose à partir des magasins de paramètres de numérisation techniques dans les en-têtes DICOM des images médicales. Une large base de données de valeurs dose-organe sera constituée ainsi que des tableaux de bord interactifs pour explorer l'usage des doses en fonction du site exploré, de l'appareil utilisé, etc.

A terme, cette base de données sera couplée aux données épidémiologiques sur le cancer pour évaluer relations causales potentielles.

De plus en plus d’évidences démontrent l’existence d’un lien entre la présence de pathologies vasculaires cérébrales et l’augmentation du risque de développement de troubles neurocognitifs majeurs, telle que la maladie d’Alzheimer (MA). 
Dans ce contexte, ce travail consistera essentiellement à développer des outils d’analyse de la morphométrie vasculaire, soit la caractérisation des artères et des veines. En effet, la mesure des vaisseaux sanguins (diamètre, densité, etc.) dans toutes les régions cérébrales permettra de mieux comprendre la trajectoire de la santé vasculaire au cours du vieillissement et si cette trajectoire est reliée à deux marqueurs importants, corrélés avec les troubles neurocognitifs, soit l’atrophie du tissue cérébral, et les lésions cérébrovasculaires (principalement la présence d’hyperintensités dans la matière blanche et de micro-saignements). La vasculature de participants cognitivement sains, avec un trouble cognitif léger ou avec un diagnostic de MA sera caractérisé afin de mettre en lumière les liens entre la santé vasculaire et la santé cognitive. 
Pour conclure, le travail proposé est donc une exploration de la relation entre la vascularisation cérébrale et la MA dans le but de mieux comprendre les interactions entre les deux et aider au dépistage de cette maladie.
 

Il est souvent difficile de partager des données dénominalisées entre différentes organisations et chercheurs en raison de contraintes éthiques liées à la confidentialité des répondants. C'est une réalité fréquente dans le domaine de la santé, étant donné la sensibilité inhérente de ce type de données. Une option dans ce cas est de ne pas partager directement les données, mais plutôt de donner accès à celles-ci via un outil qui contrôle le risque de divulgation des requêtes effectuées et permet seulement celles qu'il considère sécuritaires. DataSHIELD est un tel outil qui a été proposé pour protéger la confidentialité d'un jeu de données, et qui s'utilise via le logiciel statistique R. Il permet en outre de faire des analyses statistiques sur plusieurs jeux de données hébergés à des endroits différents, toujours en assurant la confidentialité des répondants. Dans ce projet, on s'intéresse aux garanties de confidentialité fournies par le logiciel, et aux limites de celui-ci. On étudie en particulier les possibilités d'analyses statistiques plus poussées pouvant être faites avec le logiciel, notamment par l'utilisation de méta-analyses et de réseaux de neurones.

Les traitements de radiothérapie habituels répandus dans le domaine clinique ne font pas souvent l’objet de changements, se résumant généralement à un traitement global de 50 grays, fractionné en cinq traitements de deux grays par semaine durant cinq semaines.
C’est pourquoi il est intéressant de développer un outil basé uniquement sur des modèles mathématiques tirés de la littérature, capable de comparer les différents types de traitements possibles sans avoir à les tester sur de véritables tissus. Plusieurs paramètres viennent modifier la réponse de ces tissus après leur irradiation, notamment la pression partielle d’oxygène dans les régions irradiées, le type de particules envoyées sur le tissu ainsi que la durée des traitements et le temps entre chacun d’eux.

Le code Python créé dans le cadre de ce projet vise ainsi à faciliter l’optimisation des traitements de radiothérapie en générant des graphiques montrant la survie des cellules après un certain nombre de fractions, en tenant compte de plusieurs paramètres. Le code, lorsqu’il sera complété et fera partie d’une interface graphique, sera simple d’utilisation et servira aux projets de recherche qui seront en cours.

Le cancer de la prostate est le deuxième cancer le plus fréquent et la cinquième cause de décès par cancer chez les hommes. Pour améliorer les résultats de santé des patients, le traitement doit être personnalisé en se basant sur un pronostic précis. Il existe déjà des nomogrammes permettant d’identifier les patients à faible risque de récidive sur la base d’informations cliniques préopératoires, mais ces outils n’utilisent pas les images médicales des patients.

L’objectif de ce projet est d’utiliser l’apprentissage profond pour développer un modèle combinant les images FDGPET/ CT et les données cliniques des patients afin d’améliorer le pronostic prétraitement du cancer de la prostate de haut grade. Ce modèle doit être performant, mais aussi interprétable afin de permettre à un expert de comprendre les probabilités données.

Il est souvent difficile de partager des données dénominalisées entre différentes organisations et chercheurs en raison de contraintes éthiques liées à la confidentialité des répondants. C'est une réalité fréquente dans le domaine de la santé, étant donné la sensibilité inhérente de ce type de données. Une option dans ce cas est de ne pas partager directement les données, mais plutôt de donner accès à celles-ci via un outil qui contrôle le risque de divulgation des requêtes effectuées et permet seulement celles qu'il considère sécuritaires. DataSHIELD est un tel outil qui a été proposé pour protéger la confidentialité d'un jeu de données, et qui s'utilise via le logiciel statistique R. Il permet en outre de faire des analyses statistiques sur plusieurs jeux de données hébergés à des endroits différents, toujours en assurant la confidentialité des répondants.

Dans ce projet, on s'intéresse aux garanties de confidentialité fournies par le logiciel, et aux limites de celui-ci.

On souhaite notamment établir des principes pour guider le choix des paramètres de contrôle de la divulgation offerts avec l'outil, et comprendre plus précisément l'impact de ces contrôles sur la qualité des statistiques descriptives, modèles linéaires et graphiques produits.

En imagerie médicale, les caractéristiques radiomiques permettent de caractériser l'hétérogénéité d'une région d'intérêt au niveau anatomique. Cette façon de quantifier l'hétérogénéité d'une région d'intérêt peut être utile, par exemple, afin d'identifier les tumeurs les plus agressives en oncologie. Pour ce faire, nous posons ici l'hypothèse que la variation des séquences d'acquisition d'imagerie par résonance magnétique (IRM) et ses différents niveaux de contraste qui en découlent permettrait d'optimiser l'analyse radiomique subséquente. 
Dans ce projet, un pipeline d'analyse d'images médicales réelles sera d'abord mis en place afin de quantifier la robustesse des caractéristiques radiomiques en fonction des variations des protocoles d'acquisition. Ensuite, un pipeline de simulation d'acquisition IRM sera développé afin d'évaluer le potentiel d'optimisation des caractéristiques radiomiques en médecine.
 

L’interprétabilité de l’intelligence artificielle, c’est-à-dire la capacité d’un-e expert-e de comprendre pourquoi une décision a été rendue, est particulièrement importante dans les contextes d’analyse en santé. D’abord, car il est primordial de savoir pourquoi une décision est prise par un algorithme lorsque celle-ci a un impact sur la santé d’une personne. Ensuite, en recherche, ces types d’algorithmes sont très utiles, car ils dévoilent souvent des pistes d’investigations nouvelles. 

L’objectif de cette étude est de combiner deux algorithmes d’apprentissage automatique supervisé dans le but d’en améliorer autant l’interprétabilité que la performance, notamment grâce aux outils de la logique mathématique. Le but de cette variante algorithmique est d’aider à une meilleure prédiction en augmentant légèrement la complexité du modèle tout en conservant ce haut niveau d’interprétabilité. 

Cet algorithme est développé dans le but d’analyser des données larges (fat data), c’est-à-dire les données qui comportent beaucoup de caractéristiques (attributs), mais dont nous avons peu d’échantillons (observations). Ce type de données est très présent dans les données liées à la santé, notamment dans les cas de données génomiques, métagénomiques et métabolomiques qui sont l’état de l’art des analyses médicales. Plus précisément, nous nous intéressons aux problématiques de la résistance bactérienne aux antibiotiques et de la maladie à coronavirus (COVID-19) longue. 
 

Le projet PARTAGE (Évidences Générées en Partenariat Patients-Chercheurs) est un projet de recherche explorant les mécanismes qui permettront aux patients de partager en toute sécurité leurs données cliniques avec les chercheurs via le portail patient Opal. Dans le cadre global du projet PARTAGE, ce sous-projet spécifique vise à recueillir les commentaires des parties prenantes sur le concept de partage de données. Pour ce faire, nous utilisons un processus de co-conception des parties prenantes dans lequel les patients, les cliniciens et les chercheurs sont intégrés à l'équipe de recherche. Des commentaires supplémentaires de chaque parties prenantes sont obtenus par le biais de groupes de discussion et d'enquêtes.