Les carcinomes lobulaires du sein sont plus difficiles à détecter par imagerie que les carcinomes canalaires infiltrants, que ce soit en mammographie, échographie, IRM ou TEP au 18F-FDG. En effet, la TEP/TDM au 18F-FDG révèle souvent un faible contraste de la tumeur primitive. Toutefois, sur le plan histologique, les cancers lobulaires expriment davantage la protéine FAPα (Fibroblast Activation Protein α) que les carcinomes canalaires, ce qui rend l’utilisation de la TEP au 68Ga-FAPI prometteuse pour cette indication.
Le projet GALILEE, conduit par le Dr Florent Hugonnet (Service de médecine nucléaire, Centre Hospitalier Princesse Grace, Monaco), vise à comparer la TEP/TDM au 68Ga-FAPI à la TEP/TDM au 18F-FDG dans le bilan d'extension initial des cancers lobulaires du sein. Grâce à une analyse avancée des images TEP obtenues avec les deux radiotraceurs, nous cherchons à établir un lien entre les caractéristiques radiomiques extraites et les caractéristiques histologiques des lésions.
La Photo Thérapie Dynamique (PDT) est un traitement localisé utilisant un rayon laser focalisé sur la tumeur. La PDT est basée sur l’activation, par la lumière de longueur d’onde spécifique, d’un photosensibilisateur (PS) localisé préférentiellement dans les cellules tumorales.
Le projet ARAMIS (Emergence, Cancéropôle Ile-de-France) a pour objectif de développer un algorithme d'intelligence artificielle capable d'analyser automatiquement les images de tomographie par émission de positons (TEP) au FDG dans le domaine de l'oncologie. Ce projet vise à mieux comprendre et prédire l'évolution des cancers en extrayant des informations pertinentes à partir des images, telles que les caractéristiques des lésions tumorales et des tissus non tumoraux. Grâce à un algorithme d'apprentissage non supervisé, ARAMIS explorera un espace latent, permettant de structurer et d'interpréter les données issues des TEP.
Le projet repose sur une base de données rétrospective comprenant plus de 4 000 TEP scans de patients atteints de différents types de cancers. L'analyse de cet espace latent permettra de concevoir un classifieur capable d'identifier automatiquement l'organe d'origine du cancer et de résoudre d'autres tâches complexes, comme la prédiction de la réponse aux traitements ou de la survie des patients.