Soutenance de thèse : Eduardo RIOS SANCHEZ

Imagerie Quantitative pour la Prédiction de la Réponse Biologique en Radiothérapie Interne Vectorisée au 177Lu- PSMA pour le Cancer de la Prostate Résistant à la Castration Métastatique

Doctorant : Eduardo RIOS SANCHEZ

Laboratoire INSA : CREATIS - Centre de Recherche en Acquisition et Traitement de l'lmage pour la Santé
École doctorale : ED160 : EEA - Electronique, Electrotechnique, Automatique de Lyon.

Le cancer de la prostate est le cancer le plus fréquent chez l’homme et demeure une cause majeure de mortalité liée au cancer dans le monde. Aux stades avancés, en particulier dans le cancer de la prostate métastatique résistant à la castration (mCRPC), les options thérapeutiques sont limitées et des outils pronostiques sont nécessaires pour orienter les décisions. Parmi les approches émergentes, la thérapie radioligand au 177Lu-PSMA a montré son efficacité, notamment lorsqu’elle est guidée par l’imagerie ciblée PSMA telle que la TEP/TDM au 68Ga-PSMA. Cependant, l’hétérogénéité inter-patient et la variabilité biologique rendent la prédiction individuelle de la réponse complexe. Cette thèse répond au besoin de biomarqueurs robustes basés sur l’imagerie et de pipelines automatisés pour favoriser une planification personnalisée. Un élément clé a été la création d’une base de données clinique et d’imagerie rétrospective au Centre Léon Bérard (CLB), intégrant des paramètres cliniques (cinétique du PSA, traitements antérieurs, délai depuis le diagnostic) et des données multimodales (TEP/TDM et TEMP/TDM). Un flux de travail standardisé a permis de récupérer et d’harmoniser les examens 68Ga-PSMA TEP/TDM et 177Lu-SPECT/TDM post-thérapie. Le volume tumoral total (TTV) a été calculé à partir des images TEP via un pipeline automatisé : segmentation des organes physiologiquement exprimant le PSMA par contours automatiques, dilatation et soustraction pour isoler la fixation pathologique, puis application d’un seuil spécifique basé sur le SUV hépatique. Cette méthode reproductible a été adaptée à la TEMP et à la TEP FDG avec quelques ajustements. Parallèlement, un effort multicentrique a permis de constituer une base harmonisée de TEMP/TDM européenne pour la validation inter-institutionnelle. Cette approche a été appliquée à une cohorte monocentrique de 139 patients mCRPC traités au CLB. Le critère principal était la réponse PSA50 (≥50 % de réduction du PSA). Les modèles d’apprentissage automatique (SVM, LASSO) entraînés sur des variables cliniques et d’imagerie ont atteint des scores F1 de 0,67–0,68, comparables aux nomogrammes existants. Les analyses ont identifié les métriques TTV et le délai depuis le diagnostic comme prédicteurs significatifs, démontrant la faisabilité d’analyses automatisées à grande échelle. Enfin, la thèse explore le potentiel pronostique de la TEMP/TDM corps entier 24 h après la première injection de 177Lu-PSMA. Une cohorte multicentrique de 130 patients issus de quatre centres européens a été étudiée, tous examinés sur des systèmes CZT identiques. Deux reconstructions (diagnostique et quantitative) ont été comparées pour la segmentation tumorale et le calcul des SUV. La reconstruction quantitative a montré une meilleure discrimination entre répondeurs et non-répondeurs. Les SUVmax et SUVmean du TTV étaient significativement plus faibles chez les répondeurs (p < 0,01), tandis que le SUVmin et l’activité totale n’étaient pas prédictifs. Ces résultats suggèrent que la TEMP post-thérapie pourrait fournir un outil précoce et non invasif pour prédire la réponse, et que la standardisation inter-centres est réalisable. Globalement, ces travaux confirment le rôle des métriques dérivées de l’imagerie, comme le TTV, dans l’oncologie personnalisée et soulignent la faisabilité de workflows automatisés à grande échelle. Des défis persistent pour exclure les fixations physiologiques (glandes salivaires, foie), et des bases de données harmonisées sont essentielles. Cette thèse démontre que des pipelines reproductibles et des données de qualité permettent des modèles prédictifs robustes. À l’avenir, l’infrastructure nationale française UNIRIV facilitera le partage standardisé des données, la validation prospective des biomarqueurs et l’adoption clinique des systèmes d’aide à la décision basés sur l’IA en thérapie radiopharmaceutique.