Le cancer est la chimère de la société moderne en termes de maladies liées à la santé. Des études récentes prévoient qu’environ 40% des hommes et des femmes recevront un diagnostic de cancer à un moment donné au cours de leur vie. Près de la moitié des patients atteints de cancer sont traités par radiothérapie au cours de leur maladie. Le processus classique implique des acquisitions d’images anatomiques de haute résolution sur lesquelles une annotation manuelle est réalisée lors de la planification et du suivi thérapeutique pour délimiter les structures d’intérêt (région cible et régions à épargner).

Il s’agit toutefois d’une tâche fastidieuse, peu reproductible et longue. Néanmoins, malgré les énormes progrès réalisés du côté de l’équipement, les radio-oncologues s’accordent pour dire que le système actuel de planification du traitement présente différentes lacunes telles qu’une absence de prédiction de la réponse tumorale et une gestion sous-optimale des plans de dose pour la radiothérapie externe. La radiothérapie nécessite de positionner le patient dans le même système de référence que celui utilisé pour la planification du traitement. Dans un tel contexte -et de façon générale- la déformation d’organes, due à la perte de poids du patient ou à la nature élastique des organes, n’est pas prise en compte dans le processus d’administration de la dose et la décision de ré-estimation demeure subjectif.

À travers une collaboration multi-institutionnelle (CHUM/McGill), l’objectif du projet était de développer une plateforme basée sur l’apprentissage machine pour la planification numérique de traitements de radiothérapie à partir d’images médicales, qui est spécifique au patient et adaptable, offrant un plan évolutif qui vise un équilibre optimal entre les contraintes de tolérance des organes sains et le traitement de la tumeur grâce à l’IRM interventionnelle. Les modèles prédictifs seront entrainés sur plus de 20,000 cas rétrospectifs.

Ces innovations aideront les radio-oncologues et les physiciens médicaux à pister non seulement les tumeurs au cours du traitement, mais également à éviter de façon optimale les structures critiques entourant la tumeur. En évitant mieux les tissus sains, le traitement pourrait être concentré sur un nombre réduit de traitement, améliorant ainsi l’efficience et l’accès au traitement.