vendredi 12 juin 2026

par BUTEL Nathalie

Célia D'CRUZ soutiendra sa thèse le 12 juin 2026 à 14h00 dans la salle Euler Violet au Centre Inria d'Université Côte d'Azur.

La thèse intitulée « Outil d’aide à la prise de décision en Réunion de Concertation Pluridisciplinaire par apprentissage profond - Application au cancer colorectal » a été réalisée dans le pôle SPARKS sous la direction de Michel RIVEILL.

La présentation sera en français.

 

Résumé : 

Le cancer colorectal est le troisième cancer le plus fréquent en France et représente la deuxième cause de décès par cancer, constituant ainsi un enjeu majeur de santé publique à l’échelle mondiale. 

La prise en charge du cancer constitue un défi pour les médecins, car cela nécessite la collaboration de plusieurs spécialités médicales dans un court délai. En France, pour améliorer cette prise en charge, le premier Plan Cancer de 2003-2007 a instauré des "Réunions de Concertation Pluridisciplinaire" (RCPs) qui sont devenues obligatoires dans les établissements de santé. Ces réunions réunissent plusieurs experts de différentes disciplines (chirurgiens, radiothérapeutes, radiologues, oncologues, anatomocytopathologistes, etc.) dont les compétences sont indispensables pour proposer à chaque patient la meilleure stratégie thérapeutique conforme à l’état des connaissances de la science. Ce type de réunion, désormais répandu dans de nombreux pays, a marqué une avancée majeure dans la lutte contre les cancers. 

Cependant, malgré leur importance, les RCPs ne sont pas exemptes de difficultés qui limitent leur efficacité. Le nombre élevé de dossiers de patients à traiter dans un temps restreint, l'indisponibilité de certains spécialistes au moment de la réunion, ou encore la méconnaissance occasionnelle par certains praticiens des recommandations de traitement les plus récentes, peuvent conduire à des décisions thérapeutiques sous-optimales, potentiellement préjudiciables aux patients. 

Le premier travail de la thèse a consisté à construire un jeu de données cliniques dédié au cancer colorectal, à partir des dossiers médicaux du Pôle Digestif du Centre Hospitalier Universitaire de Nice. Ce corpus constitue la base expérimentale des travaux de thèse subséquemment réalisés. 

La deuxième contribution de la thèse adresse la problématique du court temps imparti lors des RCPs qui ne permet pas toujours aux médecins de réaliser une lecture exhaustive des dossiers des patients, ce qui peut conduire à l’omission d’informations cliniques essentielles. Nous avons développé une approche de recherche d’informations textuelles, basée sur l’apprentissage profond et appliqué aux dossiers médicaux, afin d’identifier automatiquement les éléments cliniques essentiels. Ces éléments cliniques serviront ensuite de base aux médecins pour émettre une proposition thérapeutique. 

La troisième contribution de la thèse adresse la problématique des ressources en compétence pas toujours disponibles au moment de la prise de décision thérapeutique en RCP (spécialistes indisponibles, méconnaissance des dernières recommandations officielles de traitement). Nous proposons une méthode exploitant les éléments textuels cliniques importants des dossiers des patients évoqués dans la précédente contribution, pour indiquer aux médecins les passages pertinents des textes officiels de recommandations de traitement. 

L’ensemble de ces travaux, basés sur l’apprentissage profond dans le traitement automatique du langage naturel, en particulier les modèles issus de l'architecture Transformer, tiennent compte à la fois des contraintes de ressources et des enjeux liés à la protection des données dans les établissements de santé. Ils constituent une étape vers l’assistance automatisée à la décision clinique en oncologie. Enfin, ce travail souligne la nécessité d’intégrer l’expertise humaine dans le développement de modèles d’intelligence artificielle pour les domaines à forts enjeux, tels que le secteur médical.