• Langue : Français
• Discipline : Médecine. Anatomie et cytologie pathologiques
• Identifiant : 2025ULILM356
• Type de thèse : Doctorat de médecine
• Date de soutenance : 14/10/2025

Résumé en langue originale

Contexte : le lymphome diffus à grandes cellules B (DLBCL) est une hémopathie maligne agressive et très hétérogène. Le pronostic reste difficile à établir dès le diagnostic, et il n’existe pas aujourd’hui d’outil fiable capable de prédire la rechute précoce, un événement survenant chez environ un tiers des patients et associé à une survie globale médiane inférieure à un an. Les scores cliniques et les approches moléculaires (RT-MLPA, LymphGen) sont utiles mais limités, soit par leur manque de précision individuelle, soit par leur coût et leur disponibilité restreinte. Dans ce contexte, l’intelligence artificielle (IA) appliquée aux lames histopathologiques apparaît comme une approche innovante et accessible. Matériel et Méthodes : Nous avons inclus les cas de DLBCL diagnostiqués au CHU de Lille entre 2010 et 2023, confirmés histologiquement et disposant d’un suivi clinique d’au moins 24 mois. Les lames histologiques standard (HES) ainsi que les immunomarquages (CD10, BCL6, MUM1) ont été numérisés à haute résolution puis intégrés dans un pipeline d’intelligence artificielle. Ce dernier reposait sur une approche de Deep Learning multimodale, combinant les informations issues des colorations HES et immunohistochimiques afin de capturer des signaux morphologiques et phénotypiques complémentaires. L’objectif principal était de prédire la survenue d’une rechute précoce, définie comme une progression ou une récidive dans les 24 mois suivant le traitement de première ligne. Résultats : un total de 116 patients a été inclus. Le modèle développé a obtenu des performances encourageantes pour la prédiction de la rechute précoce, avec une exactitude de 83,45%, une AUC de 82,98% et un F1-score de 81,08% sur le jeu de données. Conclusion : au total, cette étude démontre que la prédiction du risque de rechute précoce dans le DLBCL est possible à partir des lames histologiques numériques grâce à l’intelligence artificielle. Bien que perfectibles, ces résultats ouvrent la voie à l’intégration d’outils simples, rapides et accessibles dans la pratique clinique. L’entraînement du modèle sur des cohortes plus larges et multicentriques permettra d’améliorer sa robustesse et sa généralisabilité.