Domaine de l’invention

La présente demande de brevet appartient au domaine de la planification d’une intervention médicale mini-invasive. Notamment, la demande concerne un dispositif électronique de type ordinateur mettant en œuvre un procédé de sélection d’un traitement optimal parmi plusieurs traitements disponibles pour l’ablation percutanée d’une lésion dans une anatomie d’intérêt d’un patient.

Etat de la technique

Pour préparer une intervention médicale visant à traiter une lésion (par exemple une tumeur) dans une anatomie d’intérêt d’un patient (par exemple un poumon, un rein, le foie, une structure osseuse, etc.), un praticien effectue généralement une planification de l’intervention à partir d’une image médicale.

La première étape de cette planification consiste à sélectionner un type de traitement. Quelques grandes lignes directrices de pratique clinique existent pour sélectionner un traitement en fonction d’un type de pathologie. Il s’agit par exemple dans un premier temps de décider s’il convient de recourir à une ablation, une transplantation, un traitement par chimioembolisation, ou une radiothérapie.

Il reste toutefois difficile de sélectionner avec justesse un type de traitement plus précis.

Plus particulièrement, dans le cas d’une ablation percutanée d’une tumeur, différentes méthodes de traitements peuvent être appliqués : radiofréquences, microondes, laser, cryothérapie, électroporation, ou curiethérapie. Les méthodes reposant sur les ondes radiofréquences, les micro-ondes, le laser ou la cryothérapie sont des méthodes thermiques. L’électroporation consiste à délivrer entre deux électrodes des dizaines de puises radiofréquences de quelques pis à très haute intensité pour provoquer des altérations irréversibles des fonctions membranaires des cellules. L’électroporation est une technologie d’ablation relativement « douce » qui permet d’envisager de traiter des tumeurs qu’on ne pouvait pas traiter auparavant avec les technologies d’ablation thermiques, soit en raison de la localisation de la tumeur, soit en raison de la fragilité du patient. La curiethérapie, quant à elle, vise à délivrer des doses radioactives à l’intérieur ou à proximité de la tumeur. Quelle soit la technique utilisée (énergie thermique, énergie électrique, énergie radioactive, etc...), une ablation percutanée nécessite la mise en place d’un ou plusieurs applicateurs pour délivrer de l’énergie in situ. L’énergie délivrée induit à l’échelon cellulaire et tissulaire des déstructurations irréversibles. Dans certains cas, il peut s’avérer nécessaire de réaliser des ablations chevauchées de façon séquentielle par plusieurs insertions successives d’un applicateur, ou de façon simultanée par insertion et activation de plusieurs applicateurs en même temps.

En outre, lorsque plusieurs applicateurs sont activés simultanément, il existe différentes stratégies pour le dépôt d’énergie par les applicateurs. On distingue notamment les ablations dites « convergentes centripètes » et les ablations dites « centrifuges ».

La stratégie d’ablation centrifuge est actuellement la plus utilisée car elle est relativement simple à mettre en œuvre. La stratégie d’ablation convergente centripète offre toutefois une meilleure adaptabilité à la zone d’ablation et à son environnement. La stratégie d’ablation convergente centripète permet en effet de mieux maîtriser les limites de destruction, ce qui permet un certain « modelage » des zones d’ablation en fonction de la forme et de la localisation des tumeurs. En revanche, elle implique un sacrifice plus important de tissus sains.

Ces différentes méthodes qui conceptuellement peuvent apparaitre très proches sont en réalité assez différentes tant en ce qui concerne leur utilisation pratique que les résultats qu’elles permettent d’obtenir.

Le choix d’un type particulier de traitement est grandement dépendant des spécificités de chaque situation clinique. Chaque type de traitement particulier peut offrir dans une situation clinique particulière le meilleur rapport bénéfice/risque.

Le choix d’un type particulier de traitement est généralement effectué par un praticien en fonction de ses habitudes ou de ses préférences. En conséquence, le traitement sélectionné pour traiter une lésion dans une anatomie d’intérêt d’un patient peut ne pas être optimal, et cela peut entrainer une récidive de la pathologie chez le patient, ou bien des lésions collatérales.

Aussi, il n’existe toutefois pas à l’heure actuelle de solution satisfaisante pour aider un praticien à choisir le traitement optimal parmi un ensemble de traitement disponibles pour l’ablation d’une lésion dans une anatomie d’intérêt d’un patient.

Exposé de l’invention La présente demande a pour objectif de remédier à tout ou partie des inconvénients de l’art antérieur, notamment ceux exposés ci-avant.

A cet effet, et selon un premier aspect, il est proposé un dispositif électronique comprenant au moins un processeur et une mémoire informatique. La mémoire informatique stocke des instructions de code de programme qui, lorsqu’elles sont exécutées par le processeur, configurent le processeur pour mettre en œuvre un procédé de sélection d’au moins un traitement optimal parmi plusieurs traitements disponibles pour l’ablation percutanée d’une lésion au sein d’une anatomie d’intérêt d’un patient. Le procédé mis en œuvre comprend :

- une obtention d’une image médicale sur laquelle est visible la lésion au sein de l’anatomie d’intérêt du patient,

- un calcul, pour chacun des différents traitements d’ablation disponibles, à partir de l’image médicale et à l’aide d’un algorithme d’apprentissage automatique, d’un indice de confiance dont la valeur est représentative d’une probabilité de succès dudit traitement pour l’ablation de la lésion dans l’anatomie d’intérêt du patient, l’algorithme d’apprentissage automatique ayant été préalablement entraîné à partir d’un ensemble d’éléments d’entrainement, chaque élément d’entrainement comprenant : o une image médicale sur laquelle est visible une lésion au sein de l’anatomie d’intérêt d’un autre patient, o une identification d’un traitement choisi parmi les différents traitements d’ablation disponibles pour traiter ledit autre patient, o un indice de confiance dudit traitement sur ledit autre patient,

- une sélection d’au moins un traitement optimal en fonction des indices de confiance calculés pour les différents traitements disponibles.

On entend par « ablation percutanée » une intervention mini-invasive à travers la peau du patient pour traiter une lésion dans une anatomie d’intérêt.

L’anatomie d’intérêt est par exemple le foie, un poumon, un rein, ou une structure osseuse. La lésion est par exemple une tumeur, un kyste ou un anévrisme. Différents traitements peuvent être envisagés pour ablater la lésion dans l’anatomie d’intérêt. Un traitement peut notamment être caractérisé par le choix d’une technologie (radiofréquences, micro-ondes, laser, cryothérapie, électroporation, etc.) et d’une méthode d’application (pour chaque technologie, différentes stratégies de dépôt d’énergie sont envisageables). L’algorithme d’apprentissage automatique prend en entrée une image médicale et un type de traitement pour fournir directement en sortie un indice de confiance correspondant à une valeur représentative d’une probabilité de succès dudit traitement. L’algorithme d’apprentissage automatique permet ainsi de calculer, à partir de l’image médicale de l’anatomie d’intérêt du patient, un indice de confiance pour chaque traitement disponible. Un traitement optimal peut alors ensuite être sélectionné en fonction des indices de confiance ainsi calculés. Par exemple, le traitement pour lequel l’indice de confiance est le plus élevé correspond au traitement pour lequel la probabilité de succès du traitement est la plus élevée. L’indice de confiance peut notamment être représentatif d’un risque de récidive. Il peut éventuellement y avoir plusieurs traitements optimaux possibles, par exemple si différents traitements disponibles sont associés à un indice de confiance de même valeur.

L’algorithme d’apprentissage automatique est préalablement entraîné à partir d’un ensemble d’éléments d’entrainement. Chaque élément d’entrainement est par exemple associé à une intervention effectuée par le passé sur l’anatomie d’intérêt d’un autre patient selon l’un des traitements disponibles. Un élément d’entrainement comporte alors une image médicale de l’anatomie d’intérêt avant traitement, une identification du traitement qui a été effectué sur le patient, et un indice de confiance pour ce traitement (l’indice de confiance est par exemple défini en fonction de l’observation ou non d’une récidive suite au traitement).

Un élément d’entrainement peut toutefois également être défini sans qu’une intervention ait réellement eu lieu sur un autre patient. En effet, l’indice de confiance d’un traitement envisagé pour traiter une lésion visible sur une image médicale de l’anatomie d’intérêt d’un patient peut être déterminé de façon théorique. Par exemple, l’indice de confiance peut être estimé par un panel d’experts médicaux sur la base de l’image médicale. Cette estimation peut éventuellement être pondérée par des recommandations issues de publications scientifiques et/ou d’études empiriques menées sur des groupes de patients présentant des lésions similaires.

L’ensemble d’éléments d’entrainement correspond à une base de données permettant d’entrainer l’algorithme d’apprentissage automatique à calculer un indice de confiance pour un traitement particulier à partir d’une image médicale présentant une lésion à traiter. Un établissement médical (hôpital, clinique, etc.) peut créer et enrichir sa propre base de données pour les traitements disponibles au sein dudit établissement médical (pour chaque nouvelle intervention effectuée dans cet établissement, un nouvel élément d’entrainement peut être ajouté à la base de données). Outre l’image médicale, l’algorithme d’apprentissage automatique peut également se baser sur un jeu de paramètres (métadonnées) relatives à la lésion, à l’anatomie d’intérêt ou au patient. Ces paramètres peuvent être déterminés automatiquement sur l’image médicale (par exemple via des algorithmes de segmentation ou de traitement d’image basés sur l’intelligence artificielle), ou bien manuellement par un utilisateur. Ces paramètres peuvent correspondre par exemple à la taille de la lésion, à la position de la lésion par rapport à l’anatomie d’intérêt ou par rapport à d’autres structures anatomiques, à un état physique et médical du patient, etc.

Différents types d’algorithmes d’apprentissage automatique sont envisageables pour mettre en œuvre l’invention : forêt d’arbres décisionnels (« random forest » dans la littérature anglo-saxonne), réseau de neurones, machines à vecteur de support (SVM pour « Support Vector Machine » en anglais), partitionnement en k- moyennes (« k-means » en anglais), etc.

Le dispositif selon l’invention présente différents avantages. Il permet notamment d’obtenir une prédiction fiable d’un traitement optimal pour l’ablation percutanée de la lésion. La fiabilité de la prédiction augmente avec le nombre d’éléments d’entrainement. Il est donc préférable d’entrainer l’algorithme d’apprentissage automatique à partir d’un grand nombre d’éléments d’entrainement. D’autre part, il permet d’identifier un traitement optimal de façon très rapide. De plus, le dispositif selon l’invention peut être utilisé par des personnes qui ne sont pas nécessairement expertes en ablation percutanée (par exemple par des internes ou des médecins en cours de formation pour cette pratique). La solution proposée permet donc une démocratisation des traitements par ablation percutanée.

Dans des modes particuliers de mise en œuvre, le dispositif peut comporter en outre l’une ou plusieurs des caractéristiques suivantes, prises isolément ou selon toutes les combinaisons techniquement possibles.

Dans des modes particuliers de mise en œuvre, chaque traitement disponible est caractérisé par une technologie d’ablation choisie parmi radiofréquences, microondes, laser, cryothérapie, électroporation ou curiethérapie.

Dans des modes particuliers de mise en œuvre, chaque traitement disponible est caractérisé par une stratégie de dépôt d’énergie par un ou plusieurs applicateurs, ladite stratégie étant choisie parmi un dépôt d’énergie de type centrifuge et un dépôt d’énergie de type convergent centripète.

Dans des modes particuliers de mise en œuvre, chaque traitement disponible est caractérisé par un nombre d’applicateurs, et/ou par les positions desdits applicateurs par rapport à la tumeur.

Dans des modes particuliers de mise en œuvre, pour chaque élément d’entrainement, l’indice de confiance est défini en fonction :

- de l’observation ou non d’une récidive pour ledit autre patient avec le traitement choisi, et/ou

- d’une durée de la période écoulée entre la fin du traitement et une date courante sans qu’une récidive n’ait été observée pour ledit autre patient, et/ou

- d’une durée de la période écoulée entre la fin du traitement et une récidive pour ledit autre patient, et/ou

- d’une estimation, par un ou plusieurs experts médicaux, d’une probabilité de succès du traitement choisi sur ledit autre patient.

Dans des modes particuliers de mise en œuvre, le procédé comprend une association d’un jeu de paramètres à l’image médicale du patient, ledit jeu de paramètres comprenant un ou plusieurs paramètres relatifs à la lésion, à l’anatomie d’intérêt et/ou à des caractéristiques du patient. Chaque élément d’entrainement comporte un jeu de paramètres similaires relatifs à la lésion, à l’anatomie d’intérêt et/ou à des caractéristiques de l’autre patient pour lequel l’image médicale correspondant audit élément de référence a été obtenue.

Dans des modes particuliers de mise en œuvre, le jeu de paramètres comprend un ou plusieurs paramètres choisis parmi :

- l’âge, le sexe, le poids et/ou la taille du patient pour lequel l’image médicale a été obtenue,

- une comorbidité présentée par le patient pour lequel l’image médicale a été obtenue,

- une valeur représentative de la taille et/ou d’un volume de la lésion,

- une distance entre la lésion et une capsule de l’anatomie d’intérêt,

- une distance entre la lésion et un vaisseau sanguin proche de la lésion,

- lorsque l’anatomie d’intérêt est le foie, une distance entre la lésion et une voie biliaire proche de la lésion.

Dans des modes particuliers de mise en œuvre, le procédé comprend une transformation de l’image médicale du patient, l’image médicale de chaque élément d’entrainement ayant subi une transformation similaire avant d’être utilisée pour entrainer l’algorithme d’apprentissage automatique.

Dans des modes particuliers de mise en œuvre, la transformation de l’image médicale comporte :

- une segmentation de la lésion sur l’image médicale, et/ou

- une segmentation de l’anatomie d’intérêt sur l’image médicale, et/ou

- une segmentation de vaisseaux sanguins sur l’image médicale, et/ou

- lorsque l’anatomie d’intérêt est le foie, une segmentation de voies biliaires sur l’image médicale.

Dans des modes particuliers de mise en œuvre, la transformation de l’image médicale comporte un recadrage de l’image autour de la lésion selon un cadre dont les dimensions sont prédéterminées, ledit cadre étant commun à toutes les images médicales des éléments d’entrainement, la position de la lésion par rapport au cadre étant variable d’une image médicale à l’autre.

Dans des modes particuliers de mise en œuvre, le procédé comprend:

- pour chaque élément d’entrainement correspondant au traitement optimal sélectionné, un calcul d’une valeur de similarité représentative de la similarité entre l’image médicale du patient à traiter et l’image médicale de l’élément d’entrainement, et

- une sélection d’un élément d’entrainement de référence parmi l’ensemble des éléments d’entrainement en fonction des valeurs de similarité calculées.

Dans des modes particuliers de mise en œuvre, les images médicales ont été acquises par tomodensitométrie, par imagerie par résonnance magnétique ou par ultrasons.

Dans des modes particuliers de mise en œuvre, les images médicales sont tridimensionnelles.

Dans des modes particuliers de mise en œuvre, l’anatomie d’intérêt est le foie, un rein ou un poumon, et la lésion est une tumeur ou un kyste.

Dans des modes particuliers de mise en œuvre, l’ensemble d’éléments d’entrainement comporte des éléments d’entrainement dont les images médicales ne présentent pas de lésion dans l’anatomie d’intérêt.

Présentation des figures

L’invention sera mieux comprise à la lecture de la description suivante, donnée à titre d’exemple nullement limitatif, et faite en se référant aux figures 1 à 4 qui représentent :

[Fig. 1 ] une représentation schématique des principales étapes d’un procédé de sélection d’un traitement optimal pour l’ablation d’une lésion dans une anatomie d’intérêt d’un patient,

[Fig. 2] une représentation schématique d’un dispositif électronique permettant la sélection d’un traitement optimal pour l’ablation d’une lésion dans une anatomie d’intérêt d’un patient,

[Fig. 3] une représentation schématique d’une étape de collection d’un ensemble d’éléments de référence utilisés pour entrainer l’algorithme d’apprentissage automatique,

[Fig. 4] une représentation schématique d’un mode particulier de mise en œuvre d’un procédé de sélection d’un traitement optimal, dans lequel un élément d’entrainement de référence est sélectionné.

Dans ces figures, des références identiques d’une figure à une autre désignent des éléments identiques ou analogues. Pour des raisons de clarté, les éléments représentés ne sont pas nécessairement à une même échelle, sauf mention contraire.

Description détaillée d’un mode de réalisation de l’invention

La figure 1 représente schématiquement les principales étapes d’un procédé 100 de sélection d’un traitement optimal pour l’ablation d’une lésion dans une anatomie d’intérêt d’un patient. Le traitement optimal est choisi parmi plusieurs traitements disponibles. Il convient de noter que plusieurs traitements peuvent éventuellement être indiqués comme optimaux par le procédé 100 sans qu’il ne soit possible de les départager.

Le procédé 100 est mis en œuvre par un dispositif électronique de type ordinateur, tablette, téléphone portable, etc. La figure 2 illustre schématiquement un exemple de réalisation d’un tel dispositif électronique 30. Le dispositif électronique 30 comprend au moins un processeur 32 et une mémoire informatique 31 stockant des instructions de code de programme qui, lorsqu’elles sont exécutées par le processeur 32, configurent le processeur 32 pour mettre en œuvre le procédé 100 de sélection d’un traitement selon l’invention.

La mémoire informatique 31 correspond donc à un support d'enregistrement lisible par le dispositif électronique 30, et comprenant des instructions qui, lorsqu'elles sont exécutées par ledit dispositif électronique 30, conduisent celui-ci à mettre en œuvre le procédé 100 de sélection d’un traitement.

L’invention peut également prendre la forme d’un programme d’ordinateur comprenant des instructions qui, lorsque le programme est exécuté par le dispositif électronique 30, conduisent celui-ci à mettre en œuvre le procédé 100 de sélection d’un traitement.

Le procédé 100 comprend une étape d’obtention 101 d’une image médicale 12 sur laquelle est visible la lésion 13 au sein de l’anatomie d’intérêt 14 du patient.

Dans l’exemple considéré, l’image médicale 12 est une image médicale en deux dimensions acquise par tomodensitométrie (« CT-scan » pour « Computerized Tomography Scan » dans la littérature anglo-saxonne). Rien n’empêcherait toutefois que l’image médicale soit acquise selon une autre modalité d’imagerie médicale, par exemple par IRM (acronyme de « Imagerie par Résonnance Magnétique ») ou par ultrasons. Rien n’empêcherait non plus que l’image médicale soit une image en trois dimensions.

L’image médicale 12 est par exemple mémorisée dans la mémoire informatique 31 du dispositif électronique 30 et traitée par le processeur 32. L’image médicale 12 est par exemple transmise au dispositif électronique 30 via des moyens de communication filaire ou des moyens de communication sans fil (ces moyens ne sont pas représentés sur la figure 2). Selon un autre exemple, le dispositif électronique 30 peut être connecté à un périphérique mémoire externe, par exemple une clé USB (acronyme de « Universal Serial Bus », en français « bus universel en série ») sur laquelle est enregistrée l’image médicale 12. En tout état de cause, le dispositif électronique 30 est configuré pour obtenir l’image médicale 12 qui a été préalablement acquise sur le patient à traiter.

Dans l’exemple considéré, et de façon nullement limitative, l’anatomie d’intérêt est le foie, et la lésion est une tumeur cancéreuse. L’invention pourrait toutefois aussi s’appliquer à d’autres anatomies d’intérêt (par exemple un poumon, un rein, une structure osseuse, etc.), et/ou à d’autres types de lésions (par exemple un kyste, un anévrisme, une métastase, etc.).

Les traitements disponibles, parmi lesquels au moins un traitement optimal est sélectionné, correspondent par exemple à différents traitements utilisés dans un établissement médical pour traiter une telle tumeur.

Un traitement disponible peut notamment être caractérisé par une technologie d’ablation choisie parmi radiofréquences, micro-ondes, laser, cryothérapie, électroporation ou curiethérapie. Ces différentes technologies sont connues de l’homme du métier pour traiter une tumeur cancéreuse dans le foie.

Un traitement disponible peut en outre être caractérisé par une stratégie de dépôt d’énergie par un ou plusieurs applicateurs (aiguille, électrode, sonde, etc.). La stratégie de dépôt d’énergie peut notamment être choisie parmi un dépôt d’énergie de type centrifuge et un dépôt d’énergie de type convergent centripète.

Pendant longtemps, la stratégie préférée de dépôt d’énergie suivait un schéma de couverture centrifuge dans lequel l’énergie est délivrée de façon isotrope du centre de la tumeur (où est inséré l’applicateur) vers la périphérie de la tumeur. Dans certains cas, il peut s’avérer nécessaire de réaliser des ablations chevauchées de façon séquentielle par plusieurs activations successives d’un applicateur inséré à des positions différentes, ou de façon simultanée par activation en même temps de plusieurs applicateurs à des positions différentes. La stratégie de dépôt de type centrifuge présente l’avantage d’être une technique particulièrement simple et éprouvée. Toutefois, dans certaines conditions particulières (en fonction notamment de la taille ou du volume de la tumeur, ou en fonction des propriétés tissulaires de la lésion ou des structures anatomiques proches de la lésion), la stratégie de type centrifuge n’est pas toujours optimale. Une autre stratégie de dépôt d’énergie, consistant à faire converger l’énergie de la périphérie vers le centre de la tumeur (stratégie de type convergent centripète) est alors parfois préférable.

Outre la technologie d’ablation et la stratégie de dépôt d’énergie, un traitement disponible peut en outre être caractérisé par le nombre d’applicateurs utilisés, et/ou par les positions desdits applicateurs par rapport à la tumeur.

La position des applicateurs est généralement déterminée par rapport à la tumeur, mais elle peut également être déterminée par rapport à l’environnement de la tumeur (c’est-à-dire par les structures anatomiques proches de la tumeur : os, vaisseaux sanguins, organes à risque, etc.).

Le procédé 100 comprend une étape de calcul 104, pour chacun des différents traitements d’ablation disponibles, d’un indice de confiance dont la valeur est représentative d’une probabilité de succès dudit traitement pour l’ablation de la lésion 13 dans l’anatomie d’intérêt 14 du patient. Les indices de confiance des différents traitements disponibles sont calculés à partir de l’image médicale 12 par un algorithme d’apprentissage automatique 20 préalablement entraîné.

Tel qu’illustré sur la figure 1 , l’algorithme d’apprentissage automatique est entraîné, au cours d’une étape 206 d’entrainement, à partir d’un ensemble d’éléments d’entrainement 21. Chaque élément d’entrainement 21 est par exemple associé à une intervention effectuée par le passé pour traiter une lésion dans l’anatomie d’intérêt d’un autre patient selon l’un des traitements disponibles. Un élément d’entrainement 21 comporte alors une image médicale de l’anatomie d’intérêt dudit autre patient avant traitement, une identification du traitement qui a été effectué sur ledit autre patient, et un indice de confiance pour ce traitement.

Pour chaque élément d’entrainement 21 , l’indice de confiance peut être défini par exemple en fonction de l’observation ou non d’une récidive pour ledit autre patient avec le traitement choisi (s’il n’y a pas eu de récidive, la probabilité de succès du traitement est relativement forte ; inversement, s’il y a eu une récidive, la probabilité de succès du traitement est plus faible).

La durée de la période écoulée entre la fin du traitement et la date courante sans qu’une récidive n’ait été observée peut également être un facteur utilisé pour définir l’indice de confiance du traitement (plus cette période est longue, et plus la probabilité de succès du traitement est grande).

S’il y a eu une récidive, il est possible de prendre en compte la durée de la période écoulée entre la fin du traitement et la récidive pour déterminer l’indice de confiance (plus cette période est courte, et plus l’indice de confiance est faible).

Il convient de noter que l’étape de collection 200 des éléments d’entrainement et l’étape d’entrainement 206 de l’algorithme d’apprentissage automatique sont effectués antérieurement au procédé 100 de sélection d’un traitement optimal (elles ne font donc pas partie du procédé 100 de sélection d’un traitement optimal).

Il convient également de noter que les éléments d’entrainement 21 peuvent aussi être obtenus sans que des interventions ait réellement eu lieu sur d’autres patients. En effet, l’indice de confiance d’un traitement envisagé pour traiter une lésion visible sur une image médicale de l’anatomie d’intérêt d’un autre patient peut être déterminé de façon théorique par un panel d’experts médicaux.

Une fois les indices de confiance calculés par l’algorithme d’apprentissage automatique pour les différents traitements disponibles, il devient possible de sélectionner, au cours d’une étape de sélection 105, au moins un traitement optimal parmi les différents traitements disponibles. Par exemple, le traitement optimal correspond au traitement pour lequel l’indice de confiance calculé est le plus élevé. Comme indiqué précédemment, il peut éventuellement y avoir plusieurs traitements optimaux possibles, par exemple si différents traitements disponibles sont associés à un indice de confiance de même valeur.

L’ensemble d’éléments d’entrainement 21 correspond à une base de données utilisée pour entrainer l’algorithme d’apprentissage automatique à calculer un indice de confiance pour un traitement particulier à partir d’une image médicale présentant une lésion à traiter. Cette base de données peut être enrichie au fil du temps, à chaque fois qu’une nouvelle image médicale présentant une lésion dans l’anatomie d’intérêt d’un patient est disponible et qu’un indice de confiance a été déterminé pour un traitement particulier de cette lésion.

Il est envisageable d’opérer une sélection sur les cas susceptibles d’être utilisés pour former des éléments d’entrainement 21 . En particulier, lorsque les éléments d’entrainement 21 sont construits sur la base d’interventions ayant réellement eu lieu, il est avantageux de considérer uniquement les interventions pour lesquelles la marge d’ablation était suffisante pour recouvrir entièrement la tumeur. En effet, pour une intervention où la marge d’ablation n’aurait pas été suffisante, une récidive de la tumeur pourrait être imputée au type de traitement choisi, alors que la récidive pourrait être principalement due à l’insuffisance de la marge d’ablation. La marge d’ablation est par exemple définie comme la plus petite distance entre la périphérie de la lésion et la périphérie de la région d’ablation. Il convient généralement que la région d’ablation recouvre entièrement la lésion, et que la marge d’ablation soit au moins égale à une valeur seuil, par exemple cinq millimètres.

La figure 3 représente schématiquement la collection 200 des éléments d’entrainement utilisés pour entrainer l’algorithme d’apprentissage automatique.

Pour obtenir un élément d’entrainement 21 , il convient tout d’abord de collecter (étape 201 ) une image médicale 22 sur laquelle est visible une lésion 23 au sein de l’anatomie d’intérêt 24 d’un autre patient.

Il peut s’agir par exemple d’un autre patient sur lequel une intervention a eu lieu par le passé pour ablater la lésion 23 avec un traitement particulier parmi les différents traitements disponibles. De préférence cette intervention a eu lieu au sein du même établissement médical, mais elle pourrait aussi avoir eu lieu dans un autre établissement. Il convient toutefois que le traitement appliqué pour l’intervention corresponde à l’un des traitements disponibles. Comme indiqué précédemment, il n’est toutefois pas indispensable qu’une intervention visant à traiter la lésion ait réellement eu lieu.

Ensuite, il convient d’identifier (étape 204) un traitement particulier, parmi les différents traitements disponibles, pour traiter la lésion 23. Si une intervention a eu lieu, il s’agit du traitement qui a été choisi pour ablater la lésion 23 (ce choix a pu être fait, notamment, à l’aide du procédé de sélection selon l’invention, ou bien à partir d’une étude de l’image médicale 22 par un ou plusieurs experts médicaux). Il peut aussi s’agir du traitement qui est estimé comme étant le plus approprié par un ou plusieurs experts médicaux à partir de l’image médicale 22. Enfin, il convient de déterminer (étape 205) un indice de confiance pour le traitement choisi. Cet indice de confiance peut être déterminé selon les différentes méthodes évoquées précédemment. Si une intervention a eu lieu, l’indice de confiance peut notamment être défini en fonction de l’observation ou non d’une récidive suite au traitement, en fonction de la durée de la période écoulée entre la fin du traitement et la date courante sans qu’une récidive n’ait été observée, ou en fonction de la durée de la période écoulée entre la fin du traitement et la récidive, etc. L’indice de confiance peut également être estimé par un ou plusieurs experts médicaux sur la base de l’image médicale (notamment dans le cas où il n’y a pas encore eu d’intervention sur la lésion 23, ou s’il n’est pas possible d’obtenir des informations sur l’occurrence ou non d’une récidive après l’intervention).

L’algorithme d’apprentissage automatique 20 peut également se baser sur un jeu de paramètres (métadonnées) relatives à la lésion, à l’anatomie d’intérêt ou au patient. Cela permet de renforcer la précision de la prédiction réalisée par l’algorithme d’apprentissage automatique 20.

Les paramètres sont par exemple déterminés manuellement par un utilisateur. Alternativement, ou en complément, les paramètres peuvent être déterminés automatiquement sur l’image médicale (par exemple via des algorithmes de segmentation ou de traitement d’image basés sur l’intelligence artificielle).

Ces paramètres peuvent notamment correspondre à des caractéristiques physiques ou médicales du patient : l’âge, le sexe, le poids et/ou la taille du patient, ou l’identification de certaines comorbidités dont souffre le patient (insuffisance cardiaque, immunodéficience, alcoolisme, etc.). Elles peuvent aussi correspondre à une valeur représentative de la taille ou du volume de la lésion, à une distance entre la lésion et une capsule de l’anatomie d’intérêt, ou à une distance entre la lésion et certaines structures anatomiques proches de la lésion (vaisseau sanguin, voie biliaire, etc.). Toutes ces caractéristiques peuvent en effet avoir un impact sur l’efficacité ou les risques associés à un traitement particulier (certains traitements ne sont pas indiqués pour des lésions de grosses tailles, la présence de vaisseaux sanguins à proximité de la lésion impacte l’efficacité des traitements thermiques, certains traitements sont trop risqués pour des patients fragiles, etc.).

De préférence, les mêmes paramètres utilisés pour créer les éléments d’entrainement 21 sont également utilisés pendant le procédé 100 de sélection d’un traitement optimal. Dans ce but, et tel qu’illustré sur les figures 1 et 3, l’étape de collection 200 d’éléments d’entrainement 21 comporte, pour chaque élément d’entrainement 21 , une étape d’association 202 d’un jeu de paramètres à l’image médicale 22 correspondant audit élément d’entrainement 21 . Le procédé 100 comporte également une étape d’association 102 d’un jeu de paramètres similaires à l’image médicale 12 du patient à traiter. Les jeux de paramètres associés respectivement aux images médicales 22 des éléments d’entrainement 21 , et le jeu de paramètres associé à l’image médicale 12 du patient à traiter sont tous similaires les uns avec les autres. On entend par là que les jeux de paramètres comportent tous des paramètres de même type (toutefois les valeurs des paramètres sont généralement différentes d’un jeu de paramètres à l’autre).

Tel qu’illustré sur la figure 3, la collection d’un élément d’entrainement 21 peut également comporter une étape de transformation 203 de l’image médicale 22 correspondant audit élément d’entrainement 21. Cette transformation 203 peut correspondre par exemple à une segmentation 25 de la lésion 23 sur l’image médicale 22. Selon d’autres exemple, la transformation 203 pourrait également correspondre à une segmentation de l’anatomie d’intérêt 24 et/ou de structures anatomiques particulières sur l’image médicale 22 (vaisseaux sanguins, voies biliaires, etc.). Dans l’exemple illustré sur la figure 3, l’image transformée 22’ obtenue comporte une segmentation 25 de la lésion. Tel qu’illustré sur la figure 1 , le procédé 100 de sélection d’un traitement optimal comporte une étape similaire de transformation 103 de l’image médicale 12 du patient à traiter. Dans l’exemple illustré sur la figure 1 , l’image transformée 12’ obtenue comporte une segmentation 15 de la lésion 13.

Dans des modes particuliers de mise en œuvre, la transformation 103, 203 d’une image médicale 12, 22 comporte un recadrage de l’image 12, 22 autour de la lésion 13, 23 selon un cadre dont les dimensions sont prédéterminées, par exemple 128x128 pixels. Les dimensions du cadre sont les mêmes pour toutes les images médicales 22 des éléments d’entrainement 21. Toutefois, et de façon avantageuse, la position de la lésion 23 par rapport au cadre varie d’une image médicale 22 à l’autre. De telles dispositions permettent de réduire les erreurs de prédiction de l’algorithme d’apprentissage automatique 20 (il faut en effet éviter que l’algorithme apprenne que la lésion à traiter est principalement au centre de l’image médicale, ce qui n’est pas nécessairement toujours vrai).

L’étape d’association 102, 202 d’un jeu de paramètres et l’étape de transformation 103, 203 de l’image médicale 12, 22 sont optionnelles (c’est pourquoi elles sont représentées en pointillés sur les figures 1 et 3). L’algorithme d’apprentissage automatique 20 peut en effet se baser exclusivement sur les informations contenues dans les images médicales 12, 22. L’étape d’association 102, 202 d’un jeu de paramètres et/ou l’étape de transformation 103, 203 de l’image médicale 12, 22 permettent toutefois de donner des informations supplémentaires à l’algorithme d’apprentissage automatique 20, améliorant ainsi la précision de la prédiction.

Différents types d’algorithmes d’apprentissage automatique sont envisageables pour mettre en œuvre le procédé 100 de sélection selon l’invention. L’algorithme d’apprentissage automatique doit prédire un indice de confiance pour chaque traitement disponible pour ablater la lésion 13 visible sur l’image médicale 12 acquise sur le patient à traiter.

Soit Q = {(Xi, Ti, h) | i = 1 : N) un ensemble d’éléments d’entrainement 21 , où :

• Xi = [XÜ , x _i2 , ... , Xjj, ... , x _iK ] est un point d’un espace à K dimensions correspondant à K caractéristiques extraites de l’image médicale 22 associée à l’élément d’entrainement d’indice i (ces paramètres peuvent éventuellement également être extraits de l’image médicale transformée 22’ et/ou du jeu de paramètres associé à l’élément d’entrainement d’indice i),

• Ti est un traitement particulier parmi les différents traitements disponibles,

• est l’indice de confiance représentatif d’une probabilité de succès du traitement Ti pour l’ablation de la lésion visible sur l’image médicale 22 associée à l’élément d’entrainement d’indice i,

• N est le nombre d’éléments dans l’ensemble d’éléments d’entrainement considéré.

L’indice de confiance correspond par exemple à une note sur dix (par exemple l’indice prend une valeur entière comprise entre 0 et 10). Selon un autre exemple, l’indice de confiance I, peut correspondre à une valeur normalisée entre 0 et 1 représentative d’une probabilité de succès du traitement T,.

Si la valeur de N est suffisamment grande (par exemple au moins égale à mille, voire au moins égale à cinq-mille), il est possible d’entrainer un algorithme d’apprentissage automatique à calculer une valeur I, pour chaque traitement T disponible, à partir d’un ensemble X de caractéristiques liées à une image médicale d’un patient à traiter (et éventuellement au patient lui-même).

Dans ce but, des algorithmes d’apprentissage automatique de type « réseaux de neurones » peuvent être utilisés. Au moins deux méthodes différentes sont envisageables. Une première méthode consiste à appliquer les différents neurones aux différents points Xi afin de prédire une valeur pour un traitement particulier T,. Dans ce cas, les caractéristiques xy sont définies à la main (« hand-crafted » en anglais). Cela nécessite toutefois une connaissance approfondie du domaine. Une deuxième méthode consiste à déléguer le choix des caractéristiques au réseau de neurones. Dans cette deuxième méthode, l’entrée du réseau de neurones est l’image médicale 12 sur laquelle la lésion 13 à traiter est visible, et les caractéristiques sont extraites par les filtres de convolution du réseau de neurones définis pendant le processus d’entrainement. L’utilisation de caractéristiques supplémentaires (métadonnées) ne faisant pas partie de l’image médicale 12 est toutefois toujours possible. Ces caractéristiques supplémentaires peuvent notamment être introduites au niveau de la dernière couche du réseau de neurones.

Des algorithmes d’apprentissage automatique de type « forêt d’arbres décisionnels » peuvent également être utilisés. Les arbres de classification font partie des algorithmes les plus populaires dans le domaine de l’apprentissage automatique et ils sont à la base des méthodes les plus performantes. Par exemple, dans une structure d’arbre, un nœud sélectionne la variable xij qui minimise une erreur de classification selon une certaine règle, et une feuille représente un indice de confiance I, pour un traitement T, particulier. L’ensemble d’éléments d’entrainement est utilisé pour définir la variable xij et la règle spécifique à utiliser pour chaque nœud. Par exemple, le premier nœud de l’arbre pourrait correspondre au volume de la lésion et à la règle « volume de la tumeur inférieur à 4 cm ³ ». Si le volume est inférieur à 4 cm ³ , un deuxième nœud pourrait ensuite par exemple correspondre à un choix sur le type de la lésion (carcinome hépatocellulaire, métastase, etc...). Le cheminement à travers les nœuds de l’arbre (correspondant à la vérification d’un ensemble de règles) permet d’aboutir à une valeur de prédiction pour l’indice de confiance pour un traitement T,. De multiples arbres de classification peuvent être créés pour les différents traitements disponibles par un processus d’échantillonnage aléatoire à partir de l’ensemble Q d’éléments d’entrainement 21 . Pour une nouvelle valeur de X, chaque arbre donne une valeur de I et la prédiction finale peut ensuite être faite par un simple vote majoritaire. Chaque arbre est généralement construit indépendamment des autres et présente le même poids sur la décision finale.

Selon un autre exemple, un algorithme d’apprentissage automatique de type « AdaBoost » peut être utilisé (de l’anglais « Adaptative Boosting », en français « renforcement adaptif »). L’implémentation classique de la méthode AdaBoost consiste en une combinaison de classifieurs faibles (typiquement des arbres de classification avec un seul nœud) où des classifieurs faibles subséquents sont ajustés pour donner plus de poids aux échantillons mal classés par les classifieurs précédents. Contrairement aux forêts d’arbres décisionnels, dans la méthode Ada-Boost les classifieurs faibles ne sont pas indépendants des autres et ils n’ont pas non plus les mêmes poids sur la classification finale. Dans la problématique qui nous concerne, un premier classifieur faible serait constitué par exemple d’un seul nœud correspondant au volume de la lésion, et le classifieur suivant, qui présenterait par exemple un seul nœud correspondant au type de lésion, serait créé pour compenser les erreurs de classification du premier classifieur.

Selon un autre exemple, un algorithme d’apprentissage automatique de type « machine à vecteurs de support » peut être utilisé. Cette technique permet par exemple de séparer, de manière binaire, les points X correspondant à des patients traités par un traitement particulier avec un premier indice de confiance I (correspondant par exemple à une probabilité de succès supérieure à un certain seuil), des point X’ correspondant à des patients traités avec le même traitement mais avec un indice de confiance l’ différent (correspondant par exemple à une probabilité de succès inférieur audit seuil). Pour cela, des fonctions kernels sont appliqués aux différents points afin de les rendre séparables par un hyper-plan dans un espace de dimension supérieure. Cette technique peut ainsi permettre de prédire un indice de confiance (renseignant sur la probabilité de succès par rapport à un seuil prédéterminé) pour un traitement particulier (les machines à vecteurs de support sont des classifieurs binaires). Afin de pouvoir gérer une granularité plus fine de l’indice de confiance et plusieurs traitements possibles, le problème peut être découpé en plusieurs problèmes binaires (approche appelée en anglais « One-vs- One and One-vs-Rest »).

Selon encore un autre exemple, un algorithme d’apprentissage automatique de type « k-moyennes » peut être utilisé. Il s’agit d’une méthode d’apprentissage non- supervisé qui regroupe les données d’entrainement X, en différents groupes (« clusters » en anglais ») représentés par leurs moyennes Xp, (p variant par exemple de 1 à M, où M est le nombre de groupes) qui minimise la somme S des distances entre les points X d’un groupe et la moyenne Xp associée : [Math.1]

Dans le cas qui nous concerne, pour un traitement donné, M correspond par exemple à un nombre de valeurs possibles prises par l’indice de confiance (par exemple M = 11 si l’indice de confiance correspond à une valeur entière variant entre 0 et 10). Une fois l’algorithme entraîné, l’indice de confiance pour un nouveau patient représenté par X est déterminé en cherchant la moyenne Xp la plus proche de X.

D’autres types d’algorithmes d’apprentissage automatique pourraient être envisagés, aussi bien des algorithmes de classification que des algorithmes de régression. Le choix d’un type particulier d’algorithme d’apprentissage automatique n’est qu’une variante de l’invention.

Il peut être intéressant, pour le praticien qui va effectuer le traitement, d’obtenir une image médicale de référence correspondant à un cas particulièrement similaire ayant été précédemment traité avec le même traitement que le traitement optimal sélectionné. Dans ce but, dans un mode particulier de mise en œuvre tel qu’illustré sur la figure 4, le procédé 100 comporte une étape de calcul 106 d’une valeur de similarité pour chaque élément d’entrainement 21 correspondant au traitement optimal sélectionné. La valeur de similarité est représentative de la similarité entre l’image médicale 12 du patient à traiter et l’image médicale 22 de l’élément d’entrainement 21 considéré. Le procédé 100 comporte ensuite une étape de sélection 107 d’un élément d’entrainement de référence parmi l’ensemble des éléments d’entrainement 21 en fonction des valeurs de similarité calculées. Par exemple, l’élément de référence correspond à l’élément d’entrainement 21 présentant la plus grande valeur de similarité. L’image médicale 22 associée à cet élément de référence peut alors être utilisée par le praticien pour comparer le cas clinique du patient à traiter avec le cas clinique correspondant à l’élément de référence. Une valeur de similarité importante indique que la lésion visible sur l’image médicale de l’élément de référence est similaire à la lésion visible sur l’image médical du patient à traiter. Cela peut permettre de conforter le praticien sur la validité du traitement optimal sélectionné. Le praticien peut également prendre des informations sur le déroulement ou les résultats d’une éventuelle intervention ayant eu lieu pour traiter la lésion du cas correspondant à l’élément de référence.

Il peut arriver que le rapport bénéfice/risque de mener une intervention sur le patient pour ablater la lésion n’est pas suffisant (si les effets bénéfiques thérapeutiques de l’ablation sont plus faibles que les risques liés à sa mise en œuvre). Dans un tel cas, il est préférable de ne pas ablater la lésion. Il est donc envisageable que l’option consistant à ne pas ablater la lésion fasse partie des traitements disponibles. Autrement dit, le traitement optimal sélectionné par le procédé 100 peut consister à ne pas traiter la lésion. Cela pourrait également être le cas par exemple si l’élément identifié comme une lésion par le praticien sur l’image médicale 12 du patient n’est en fait pas une lésion, ou s’il s’agit d’une lésion bénigne.

Pour ces raisons, il peut être avantageux d’entrainer l’algorithme d’apprentissage automatique 20 avec des images médicales 22 sur lesquelles il n’y a pas de lésion visible dans l’anatomie d’intérêt. Ainsi, dans des modes particuliers de mise en œuvre, les images médicales 22 associées à certains des éléments d’entrainement 21 utilisés pour entrainer l’algorithme d’apprentissage automatique 20 ne présentent pas de lésion visible dans l’anatomie d’intérêt.

La description ci-avant illustre clairement que, par ses différentes caractéristiques et leurs avantages, la présente invention atteint les objectifs fixés. En particulier, l’invention permet d’obtenir une prédiction fiable et rapide d’un traitement optimal pour l’ablation percutanée d’une lésion dans l’anatomie d’intérêt d’un patient. En outre, l’invention peut être utilisé par des personnes qui ne sont pas nécessairement expertes en ablation percutanée ; la solution proposée permet donc une démocratisation des traitements par ablation percutanée.