Projet de recherche doctoral numero :8685

Date depot: 2 avril 2024
Titre: ComPath: Next Generation Computational Pathomics for Personalized Medicine. Explainable Deep Learning Integration of Computational Pathology and Spatial Transcriptomics.
Directeur de thèse: Daniel RACOCEANU (ICM)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Images et vision

Resumé: Ce projet de thèse vise à établir les fondements d'une pathomique computationnelle de nouvelle génération dédiée à la médecine personnalisée. Cette approche novatrice et riche découle de l'intégration explicative de l'apprentissage profond en histopathologie computationnelle ainsi que de la transcriptomique spatiale. La modélisation proposée consiste à étudier le vocabulaire spatial multi-omique en tant qu'entités de modélisation d'entrée, avec leurs paramètres, caractéristiques, capacités de connexion et méthodes fonctionnelles correspondantes. Une pathologie donnée présente une expression bien connue en tant que signature omique inhibée, qui constitue la signature du système. Consolidés par la transcriptomique spatiale, ces indices seront utilisés pour étudier les corrélations potentielles avec les marqueurs phénotypiques, en se basant sur la sémiologie anatomopathologique et les motifs connaissant des référentiels sémantiques existants. En ce qui concerne la causalité, il s'agit d'expliquer et d'interpréter les corrélations et les causalités mises en évidence. Les approches d'IA basées sur les données, guidées par des modèles, initieront un processus de cycle vertueux allant de l'explication (en tant que capacité des outils d'IA d’expliquer le démarche codée / modélisée par apprentissage) à l'interprétation (liée au processus de compréhension par les experts de la zone ciblée), en passant par l'association, la corrélation et la causalité. Les modèles conçus et élaborés serviront de base à la simulation et à la prédiction de l'évolution des tissus à partir d'une seule image entière de lame. Comme indiqué précédemment, une lame virtuelle devrait suffire à transformer la pathologie computationnelle d'un paradigme statique à un paradigme dynamique. En tenant compte du profil transcriptomique résolu spatialement, nous serons ainsi en mesure de créer et de simuler des modèles dynamiques, qui, en incluant également l'épigénétique (exposome), agiront comme un support de prédiction grâce à des simulations. Introduire un tel support de simulation et de modélisation dans les cliniques pourrait révolutionner la prédiction dans le cadre de la médecine de précision personnalisée, en modifiant la manière dont les réunions cliniques multidisciplinaires sont organisées, en améliorant l'expertise (second avis) entre les praticiens, ainsi qu'en renforçant la relation entre le médecin et son patient. À notre connaissance, l'intégration et l'exploitation des images de lames entières et des données de transcriptomique spatiale n'ont pas encore été réalisées. De plus, l'étude des corrélations croisées entre les motifs de ces deux modalités en tant que modèles de dépendance représente un potentiel clair pour une nouvelle modalité améliorée par la computation, capable de révolutionner la médecine de précision. L'incorporation d'une IA explicable, d'une analyse de lames virtuelle à la pointe de la technologie et de la sémantique est susceptible de favoriser l'adoption biomédicale de cette technologie moderne très prometteuse. Les méthodes d'apprentissage profond sont très efficaces lorsqu'elles sont ciblées et précisément utilisées. L'incorporation de mécanismes explicables permettra ainsi de renforcer l'expertise des professionnels de la biomédecine. Enfin, la sémantique pourra également contribuer à créer un cadre de connaissance capable de soutenir la recherche, le diagnostic et le pronostic.

Résumé dans une autre langue: This thesis project aims to establish the foundations of a next-generation computational pathomics dedicated to personalized medicine. This innovative and rich approach stems from the explanatory integration of deep learning in computational histopathology as well as spatial transcriptomics. The proposed modeling involves studying the multi-omic spatial vocabulary as input modeling entities, along with their corresponding parameters, characteristics, connection capabilities, and functional methods. A given pathology exhibits a well-known expression as an inhibited omic signature, which constitutes the system's signature. Consolidated by spatial transcriptomics (ST), these indices will be used to explore potential correlations with phenotypic markers, based on anatomopathological semiology and familiar patterns from existing semantic repositories. As for causality, it entails explaining and interpreting the correlations and causalities identified. Data-driven AI approaches guided by models will initiate a well-known virtuous cycle process ranging from explanation (as a capability of AI tools) to interpretation (related to the understanding process by experts in the targeted area), and moving towards association, correlation, and causality. The designed and elaborated models will serve as the basis for simulating and predicting tissue evolution from a single whole slide image. As mentioned earlier, a WSI should suffice to transform computational pathology from a static paradigm to a dynamic one. By considering the spatially resolved transcriptomic profile, we will thus be able to create and simulate dynamic models, which - also incorporating epigenetics (exposome) - will act as prediction support through simulations. Introducing such simulation and modeling support in clinics could revolutionize prediction in the context of personalized precision medicine, altering the way multidisciplinary clinical meetings are conducted, improving cross-expertise (second opinion) among practitioners, and strengthening the doctor-patient relationship. To our knowledge, the integration and exploitation of whole slide images and spatial transcriptomic data have not yet been achieved. Furthermore, studying the cross-correlations between the patterns of these two modalities as dependency models represents a clear potential for a new computation-enhanced modality capable of revolutionizing precision medicine. The incorporation of explainable AI, cutting-edge virtual slide analysis, and semantics is likely to foster biomedical adoption of this highly promising modern technology. Deep learning methods are highly effective when targeted and precisely utilized. Incorporating explainable mechanisms will thus strengthen the expertise of biomedical professionals. Lastly, semantics can also contribute to creating a knowledgeable framework capable of supporting research, diagnosis, and prognosis.