Projet de fin d’étude : Monitoring d’une approche d’apprentissage automatique pour la prise en charge de patients atteints de Leucémie Aigüe Myéloïde

Mots-clés : apprentissage automatique, monitoring, leucémie aigüe myéloïde, approche multimodale

Date de début : à partir du 04/05/2025. Durée : 5-6 mois

Encadrant : Philippe Leleux. Email :

Contexte

Les leucémies aiguës myéloides (LAM) sont des hémopathies malignes sévères, dont le diagnostic requiert une expertise importante pour la reconnaissance des cellules sur des frottis de moelle osseuse. Sa physiopathologie a été étudiée intensément ces dernières années, et la masse de données biologiques à intégrer au moment du diagnostic par les hématologues est devenue immense. De plus, de nouveaux traitements émergent (thérapies ciblées, immunothérapies) et sont en train de modifier le paysage du traitement des LAM. Avec toutes ces évolutions, les hématologues ont à choisir le meilleur traitement au meilleur moment, et les outils d’intelligence artificielle (IA) sont très intéressants pour la prédiction du pronostic et la décision de traitement.

Dans le domaine des LAM, il y a encore peu de travaux réalisés avec les techniques d’IA. Les travaux déjà publiés visent à améliorer le diagnostic positif, typiquement par reconnaissance d’images [5], ou la classification biologique de ces maladies [2]. L’organisation mondiale de la santé (OMS) a fourni des orientations sur l’importance de garantir la fiabilité des applications de l’IA dans les soins de santé [4]. En effet, si l’IA a un potentiel important pour améliorer la prise en charge des LAM, leur application pour la prise de décision clinique nécessite un contrôle rigoureux. Cette application est en effet largement reconnue comme critique et l’application de méthodes de sûreté de fonctionnement serait indispensable, telles que définies pour des systèmes plus classiques [1].

Sujet

Depuis 2021, une collaboration étroite a été développée entre l’institut de recherche en informatique de Toulouse (IRIT), le centre de recherche en cancérologie de Toulouse (CRCT), notamment via l’équipe IRIT@CRCT, et le Laboratoire d’Analyse et d’Architecture des Systèmes (LAAS-CNRS). Le but de cette collaboration est le développement d’un modèle multimodal d’aide à la décision, visant une meilleure prise en charge des patients par les cliniciens (diagnostic, pronostic, et traitement) pouvant s’appuyer sur des données clinico-biologique (tabulaires), et des données d’imageries.

Pendant ce stage, le candidat sera amené à manipuler un pipeline déjà existant pour le diagnostic de différents types de LAM. Ce pipeline se basant sur des méthodes d’apprentissage automatique statistique, le candidat devra mettre en place des méthodes dites de monitoring [3] permettant de vérifier si le résultat de chacun des modèles est fiable ou non.

Dans notre cas, en cas de doute sur un résultat, il sera possible :

• soit de rejeter ce résultat et redonner la main au médecin,
• soit de lever une alerte pour vérification par le médecin,
• soit d’améliorer la fiabilité en combinant différents modèles d’apprentissage pour donner un résultat basé sur vote majoritaire.

Un score de fiabilité pourra être créé par le stagiaire, en accord avec les médecins impliqués dans le projet.

Les données des patients étant sensibles, le stagiaire manipulera des données provenant de bases de données publiques. Les résultats pourront être ensuite testés sur des données réelles par Jules Morata, doctorant du LAAS travaillant sur le sujet.

Références

• [1] J Arlat, JP Blanquart, A Costes, Y Crouzet, Y Deswarte, JC Fabre, H Guillermain, M Kaaniche, K Kanoun, JC Laprie, et al. Guidebook of dependability ; guide de la surete de fonctionnement. 1997.
• [2] Jan-Niklas Eckardt, Tim Schmittmann, Sebastian Riechert, Michael Kramer, Anas Shekh Sulaiman, Katja Sockel, Frank Kroschinsky, Johannes Schetelig, Lisa Wagenführ, Ulrich Schuler, et al. Deep learning identifies acute promyelocytic leukemia in bone marrow smears. BMC
• cancer, 22(1) :201, 2022.
• [3] Raul Sena Ferreira, Joris Guérin, Kevin Delmas, Jérémie Guiochet, and Hélène Waeselynck. Safety monitoring of machine learning perception functions : A survey. Computational Intelligence,
• 41(2) :e70032, 2025.
• [4] WHO Guidance. Ethics and governance of artificial intelligence for health. World Health Organization, 2021.
• [5] Christian Matek, Sebastian Krappe, Christian Münzenmayer, Torsten Haferlach, and Carsten Marr. Highly accurate differentiation of bone marrow cell morphologies using deep neural networks on a large image data set. Blood, The Journal of the American Society of Hematology, 138(20) :1917–1927, 2021.