80

For patients with metastatic lung cancer, very active research is under way to identify early responders and non-responders to immunotherapy. The goal is to individualise the therapeutic strategy of patients to improve their life expectancy while avoiding unnecessary toxicities. PET (Positron Émission Tomography) imaging is a non-invasive imaging approach providing valuable information about both the tumour and the patient’s immune system. Modern artificial intelligence algorithms allow for “in-depth” analysis of these PET images, in order to extract features that are not visible to the human eye but that could be very informative on the therapeutic effectiveness of immunotherapies. The difficulty is that these algorithms need to be trained on a large number of images in order to “learn” a signature capable of predicting the response to treatment. However, as medical images are private and confidential, it is currently difficult to build large secure databases outside of hospitals. Our “FEDERATED-PET” project, involving eight cancer centres and four research centres, aims to establish France’s first federated learning initiative for PET image analysis using an innovative IT infrastructure linking networked hospitals and a multicentric database of 1 200 patients treated with immunotherapy. Federated learning offers the possibility of developing an artificial intelligence model in a collaborative manner, without the need to remove private medical data from hospitals, offering every guarantee of confidentiality and security.

Pour les patients présentant un cancer du poumon métastatique, il existe une recherche très active pour identifier précocement les patients répondeurs et non-répondeurs à l’immunothérapie. L’objectif est, à terme, d’individualiser la stratégie thérapeutique des patients pour améliorer leur espérance de vie tout en limitant des toxicités inutiles. L’imagerie par tomographie par émission de positons (TEP) fournit de nombreuses informations non invasives sur la tumeur mais également sur le terrain immunitaire du patient. Les nouveaux algorithmes d’intelligence artificielle (IA) permettent une analyse « en profondeur » de ces images de TEP, pour en extraire des caractéristiques non visibles par l’œil humain mais potentiellement très informatives sur l’efficacité thérapeutique des immunothérapies. La difficulté est que ces algorithmes ont besoin d’être entraînés sur un grand nombre d’images pour « apprendre » une signature prédictive de l’efficacité du traitement. Or, ces images médicales étant privées et confidentielles, il est actuellement difficile de constituer de grandes bases de données sécurisées. Notre projet « FEDERATED-PET », incluant huit centres de lutte contre le cancer (CLCC) et quatre centres de recherche, est la première initiative française d’apprentissage fédéré pour l’analyse d’images TEP, grâce à une infrastructure informatique innovante reliant les hôpitaux en réseau et une base de données multicentriques de 1 200 patients traités par immunothérapie. L’apprentissage fédéré offre la possibilité de développer un modèle d’IA de manière collaborative, sans avoir besoin de sortir les données médicales privées des hôpitaux, ce qui offre toutes les garanties de confidentialité et de sécurité.