Conception de modèles prédictifs pilotés par l’IA intégrant des données clinico-pathologiques et omiques pour guider le choix thérapeutique dans l’adénocarcinome canalaire pancréatique.
Promoteurs :
- Pr Jean-Luc Van Laethem, Digestive Oncology Dept,& Laboratoire de Gastro-entérologie Expérimentale, ULB, HUB – Institut Jules Bordet
- Tatjana Arsenijevic Digestive Oncology & Laboratoire de Gastro-entérologie Expérimentale, ULB, HUB – Erasme/Bordet
- Jennifer Dhont, Head of Data Science & AI Research Unit, HUB- Institut Jules Bordet
- Christelle Bouchart, Radiation-Oncology & Laboratoire de Gastro-entérologie Expérimentale, ULB, HUB – Institut Jules Bordet
- Laurine Verset, Pathology Department, HUB – Institut Jules Bordet
Descriptif :
L’adénocarcinome canalaire pancréatique (PDAC) est un cancer à très forte mortalité, marqué par une réponse thérapeutique limitée et peu de biomarqueurs exploitables à ce jour. Des études récentes, dont celles de notre équipe, ont identifié des sous-types moléculaires du PDAC — notamment classique et basal-like — aux réponses différenciées à la chimiothérapie.
Nous avons également développé une signature dérivée du méthylglyoxal capable de prédire le bénéfice en survie de la gemcitabine en traitement adjuvant. Toutefois, ces sous-types ne sont pas utilisés en routine clinique, en raison de la complexité et du coût des analyses omiques.
Ce projet vise à réduire le décalage entre avancées moléculaires et pratique clinique en intégrant données cliniques, pathologiques et transcriptomiques. Grâce à l’apprentissage profond sur lames H&E, nous développerons des prédicteurs d’image pour la réponse au traitement et la survie.
Ces modèles seront enrichis par l’intégration multimodale de données — transcriptomiques, méthylation, immunohistochimie et expression génique spatiale. Les biomarqueurs numériques ainsi obtenus rendront les données omiques accessibles à la pratique courante, au service d’une oncologie de précision dans le PDAC.