Liver malignancies, particularly hepatocellular carcinoma and metastasis, stand as prominent contributors to cancer mortality. Much of the data from abdominal computed tomography images remain underused by radiologists. This study explores the application of machine learning in differentiating tumor tissue from healthy liver tissue using radiomics features. Preoperative contrast-enhanced images of 94 patients were used. A total of 1686 features classified as first-order, second-order, higher-order, and shape statistics were extracted from the regions of interest of each patient’s imaging data. Then, the variance threshold, the selection of statistically significant variables using the Student’s t-test, and lasso regression were used for feature selection. Six classifiers were used to identify tumor and non-tumor liver tissue, including random forest, support vector machines, naive Bayes, adaptive boosting, extreme gradient boosting, and logistic regression. Grid search was used as a hyperparameter tuning technique, and a 10-fold cross-validation procedure was applied. The area under the receiver operating curve (AUROC) assessed the performance. The AUROC scores varied from $0.5929$ to $0.9268$, with naive Bayes achieving the best score. The radiomics features extracted were classified with a good score, and the radiomics signature enabled a prognostic biomarker for hepatic tumor screening.

Valvular Heart Disease (VHD) is a known late complication of radiotherapy for childhood cancer (CC), and identifying high-risk survivors correctly remains a challenge. This paper focuses on the distribution of the radiation dose absorbed by heart tissues. We propose that a dosiomics signature could provide insight into the spatial characteristics of the heart dose associated with a VHD, beyond the already-established risk induced by high doses. We analyzed data from the 7670 survivors of the French Childhood Cancer Survivors’ Study (FCCSS), 3902 of whom were treated with radiotherapy. In all, 63 (1.6%) survivors that had been treated with radiotherapy experienced a VHD, and 57 of them had heterogeneous heart doses. From the heart–dose distribution of each survivor, we extracted 93 first-order and spatial dosiomics features. We trained random forest algorithms adapted for imbalanced classification and evaluated their predictive performance compared to the performance of standard mean heart dose (MHD)-based models. Sensitivity analyses were also conducted for sub-populations of survivors with spatially heterogeneous heart doses. Our results suggest that MHD and dosiomics-based models performed equally well globally in our cohort and that, when considering the sub-population having received a spatially heterogeneous dose distribution, the predictive capability of the models is significantly improved by the use of the dosiomics features. If these findings are further validated, the dosiomics signature may be incorporated into machine learning algorithms for radiation-induced VHD risk assessment and, in turn, into the personalized refinement of follow-up guidelines.

Les médecins radiologues utilisent des séries d’images issues de la tomodensitométrie (TDM) abdominale pour examiner le foie et diagnostiquer les éventuelles pathologies. Cependant, ce processus est souvent long, complexe et sujet à des risques d’erreurs humaines. Les études des récentes années démontrent que l’intelligence artificielle (IA) a ouvert de nouvelles perspectives en imagerie médicale, permettant de détecter plus tôt les cancers du foie et d’optimiser l’ensemble du processus diagnostique. En Afrique, et particulièrement au Bénin, peu d’études ont été menées sur l’utilisation de ces techniques, notamment en raison du manque d’équipements et de données locales. Cette thèse s’inscrit dans cette perspective en proposant des techniques d’IA pour détecter et classifier automatiquement les lésions du foie à partir de la TDM. Plus précisément, elle présente un outil qui inclut : (i) un modèle de segmentation du foie et des lésions basé sur un réseau de neurones, (ii) une signature radiomique pour mieux caractériser l’état du foie, (iii) un modèle de classification des lésions utilisant des réseaux neuronaux convolutifs, et (iv) une plateforme d’aide au diagnostic pour améliorer la prise en charge des patients. Les résultats obtenus montrent des améliorations par rapport aux solutions existantes, ouvrant la voie à une adoption plus large de ces technologies, avec l’objectif d’améliorer la qualité des soins et de réduire les erreurs médicales.

Le cancer primitif du foie (CPF) occupait la 6e et la 3e place dans le monde respectivement en termes d'incidence et de mortalité en 2020. L'objectif de ce travail était d’étudier la survie et les facteurs pronostiques du cancer primitif du foie à Cotonou en République du Bénin. Il s'est agi d'une étude de cohorte rétrospective qui a inclus les enregistrements de 150 patients atteints d'un CPF, répertoriés par le Registre des cancers de Cotonou, sur une période de sept ans allant du 1er janvier 2014 au 31 décembre 2020. Le logiciel R 3.6.1 a été utilisé pour l'analyse des données. La méthode de Kaplan-Meier a permis d'estimer la survie des patients. La comparaison des courbes de survie a été faite par le test du Log-Rank. Le modèle de Cox à risque proportionnel a été établi pour identifier les facteurs prédictifs de la mortalité. Le seuil de significativité statistique a été fixé à 5 %. L’âge moyen des sujets était de 51,7 ± 14,9 ans et le sex-ratio de 2,7. La moitié des décès était survenue dans les deux premiers mois ayant suivi le diagnostic. Les facteurs pronostiques, après l'analyse multivariée, étaient: l’âge ≥ 60 ans (HRa = 1,7; IC 95 % [1,10-2,51]), la notion de consommation d'alcool (Hazard Ratio ajusté, HRa = 3,7; [1,33-9,42]), l'itinéraire thérapeutique (HRa = 1,9; [1,24-3,02]), l'infection par le virus de l'hépatite B (HRa = 7,7; [3,26-12,29]), l'infection par le virus de l'hépatite C (HRa = 3,6; [1,38-9,43]) et le délai de consultation ≥4 semaines (HRa = 2,0; [1,01-4,05]). La mortalité des patients atteints de CPF à Cotonou est élevée avec une médiane de survie de deux mois. Des facteurs, pour l'essentiel modifiables, sont associés à cette mortalité.