Théophraste Henry

Dr. Théophraste Henry

orcid

Research Focus & Metrics

Academic Career Length

6Years (2021-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
27 March 2021
Verified
Book Chapter
Closed access
PDF file
THThéophraste Henry
Théophraste Henry
ACAlexandre Carré
Alexandre Carré
MLMarvin Lerousseau
Marvin Lerousseau
TEThéo Estienne
Théo Estienne
CRCharlotte Robert
Charlotte Robert
EDEric Deutsch
Eric Deutsch

6 July 2022 in Journal for ImmunoTherapy of Cancer
Verified
Journal Article
Open access
PDF file
RSRoger Sun
Roger Sun
THThéophraste Henry
Théophraste Henry
ALAdrien Laville
Adrien Laville
ACAlexandre Carré
Alexandre Carré
AHAnthony Hamaoui
Anthony Hamaoui
Eric DeutschEric Deutsch
Eric Deutsch
Strong rationale and a growing number of preclinical and clinical studies support combining radiotherapy and immunotherapy to improve patient outcomes. However, several critical questions remain, such as the identification of patients who will benefit from immunotherapy and the identification of the best modalities of treatment to optimize patient response. Imaging biomarkers and radiomics have recently emerged as promising tools for the non-invasive assessment of the whole disease of the patient, allowing comprehensive analysis of the tumor microenvironment, the spatial heterogeneity of the disease and its temporal changes. This review presents the potential applications of medical imaging and the challenges to address, in order to help clinicians choose the optimal modalities of both radiotherapy and immunotherapy, to predict patient’s outcomes and to assess response to these promising combinations.

28 October 2022 in Journal for ImmunoTherapy of Cancer
Verified
Journal Article
Open access
PDF file
RSRoger Sun
Roger Sun
MLMarvin Lerousseau
Marvin Lerousseau
JBJade Briend-Diop
Jade Briend-Diop
EREmilie Routier
Emilie Routier
SRSeverine Roy
Severine Roy
Eric DeutschEric Deutsch
Eric Deutsch
Purpose While there is still a significant need to identify potential biomarkers that can predict which patients are most likely to respond to immunotherapy treatments, radiomic approaches have shown promising results. The objectives of this study were to evaluate whether a previously validated radiomics signature of CD8 T-cells could predict progressions at a lesion level and whether the spatial heterogeneity of this radiomics score could be used at a patient level to assess the clinical response and survival of melanoma patients. Methods Clinical data from patients with advanced melanoma treated in our center with immunotherapy were retrieved. Radiomic features were extracted and the CD8 radiomics signature was applied. A progressive lesion was defined by an increase in lesion size of 20% or more. Dispersion metrics of the radiomics signature were estimated to evaluate the impact of interlesion heterogeneity on patient’s response. Fine-tuned cut-offs for predicting overall survival were evaluated after splitting data into training and test sets. Results A total of 136 patients were included in this study, with 1120 segmented lesions at baseline, and 1052 lesions at first evaluation. A low CD8 radiomics score at baseline was associated with a significantly higher risk of lesion progression (AUC=0.55, p=0.0091), especially for lesions larger than >1 mL (AUC=0.59 overall, p=0.0035, with AUC=0.75, p=0.002 for subcutaneous lesions, AUC=0.68, p=0.01, for liver lesions and AUC=0.62, p=0.03 for nodes). The least infiltrated lesion according to the radiomics score of CD8 T-cells was positively associated with overall survival (training set HR=0.31, p=0.00062, test set HR=0.28, p=0.016), which remained significant in a multivariate analysis including clinical and biological variables. Conclusions These results confirm the predictive value at a lesion level of the biologically inspired CD8 radiomics score in melanoma patients treated with anti-PD1-based immunotherapy and may be interesting to assess the disease spatial heterogeneity to evaluate the patient prognosis with potential clinical implication such as tumor selection for focal ablative therapies.

1 October 2021 in Cancer/Radiothérapie
Verified
Journal Article
Closed access
RSRoger Sun
Roger Sun
MLM. Lerousseau
M. Lerousseau
THThéophraste Henry
Théophraste Henry
ACA. Carré
A. Carré
ALA. Leroy
A. Leroy
ÉDÉ. Deutsch
É. Deutsch

9 April 2026
Verified
Thesis
Closed access
THThéophraste Henry
Théophraste Henry
Prédiction de la survie des patients oncologiques par l’IA et la Radiomique : des défis méthodologiques aux solutions techniques: La radiomique et l'intelligence artificielle (IA) sont très prometteuses pour améliorer l'imagerie médicale et les stratégies de traitement personnalisé, mais leur intégration dans la routine clinique reste limitée. Notre revue de la littérature a retrouvé que les méthodologies utilisées dans de nombreuses études radiomiques manquaient de cohérence, et le nombre limité de patients dans ces études restreignait leur impact. Cette revue a également souligné la nécessité d'approches standardisées et de bases de données plus larges et plus complètes pour valider les résultats des analyses radiomiques et améliorer leur applicabilité clinique. Pour relever le défi de la variabilité des indices radiomiques, notre étude a mise en évidence la grande variabilité des paramètres radiomiques entre différentes lésions chez un même patient, une problématique clé souvent négligée dans les travaux antérieurs dans le contexte métastatique. Elle a également révélé l'absence de stratégies de sous- échantillonnage optimales pour sélectionner les lésions à segmenter et ensuite analyser à l’aide d’algorithmes prédictifs. Cette constatation a souligné la nécessité de méthodes de segmentation robustes, reproductibles et holistiques pour garantir la fiabilité des analyses radiomiques dans le cadre métastatique. Pour rationaliser l’approche en radiomique, des outils de segmentation automatique par IA ont été développés pour fournir des segmentations de lésions précises et parfaitement reproductibles, en utilisant les données du concours segmentation de de tumeurs cérébrales (BraTS). Nous avons développé un réseau de neurones 3D U-net, combinant supervision profonde et auto- apprentissage par ensemble, pour délimiter les sous-régions pertinentes des glioblastomes à partir de quatre séquences différentes d'IRM cérébrales, et avons démontré que la segmentation par IA peut être réalisée avec précision, permettant d'utiliser ces segmentations pour des tâches d’aval telles que l'extraction de radiomiques et la prédiction de la survie. Nos travaux se sont ensuites portés sur le développement de nouveaux paramètres radiomiques à partir de cartes de segmentation des tumeurs du foie pour prédire la survie des patients. Notre étude a utilisé des techniques avancées de segmentation automatique par réseau de neurones convolutifs pour extraire des paramètres quantitatifs de l'imagerie CT de patients atteints de mélanome, qui se sont avérés être prédictifs de leur survie. Ces résultats, bien que limités aux tumeurs du foie, ont montré le potentiel de la combinaison entre segmentation tumorale complète par IA et analyse radiomique dans le but d’améliorer la précision des prédictions; et ont plaidé pour le développement d’une segmentation tumorale corps entier par IA. En conclusion, notre travail a mis en lumière le rôle crucial des outils d’IA et des approches radiomiques standardisées pour faire progresser l'utilité clinique de la radiomique. En abordant les défis de l'hétérogénéité inter-tumorale au niveau du patient et en explorant de nouveaux biomarqueurs radiomiques, des progrès significatifs ont été réalisés vers l'intégration de la radiomique dans la pratique clinique de routine. Ces avancées sont prometteuses pour des stratégies de traitement plus personnalisées et efficaces.

8 July 2026 in Cancers
Verified
Journal Article
Open access
PDF file
ADAlessia Lucia Daverio
Alessia Lucia Daverio
ACAlessandro Coccarelli
Alessandro Coccarelli
THThéophraste Henry
Théophraste Henry
ADAlina Danu
Alina Danu
LALaurentiu Agrigoroaie
Laurentiu Agrigoroaie
Desiree DeandreisDesiree Deandreis
Desiree Deandreis
Background/Objectives: Multiple myeloma (MM) is a complex hematologic malignancy characterized by abnormal plasma cell proliferation in the bone marrow. [18F]FDG PET/CT has emerged as a key imaging modality, demonstrating high sensitivity and specificity for the detection of metabolically active disease compared with conventional imaging techniques. This review examines the role of PET/CT imaging in evaluating therapeutic response in symptomatic myeloma, including minimal residual disease (MRD) assessment. Methods: We surveyed the literature published between 2014 and 2024 across PubMed, Scopus, Web of Science, and the Cochrane Library for peer-reviewed articles evaluating PET imaging in the assessment of treatment response in multiple myeloma. Results: [18F]FDG PET/CT provides a whole-body assessment of disease burden, extramedullary involvement detection, and early metabolic response evaluation. Standardized response assessment criteria (Deauville, IMPeTUs, IMWG) have enhanced the reproducibility and accuracy of treatment monitoring. Semiquantitative parameters including SUVmax and metabolic tumor volume (MTV) provide useful prognostic information with PET negativity correlating with improved progression-free and overall survival. The integration of PET/CT with bone marrow assessment techniques (next-generation flow cytometry and sequencing) optimizes MRD evaluation and patient stratification. Conclusions: PET/CT represents a valuable imaging tool for improving therapeutic decision making and risk stratification in MM management. Emerging radiotracers beyond FDG, including [11C]choline, [11C]methionine, and targeted agents like [68Ga]pentixafor and CD38-targeted immunoPET tracers, hold promise for enhanced diagnostic capabilities in specific clinical contexts.