Ia-Sante |

Retrieving similar cases for clinical decision support in the context of revascularization of lower limbs

Mon, 01 Sep 2025 00:00:00 +0000

New Method CMR-Guided Endomyocardial Biopsy in Suspicion Context of Isolated Cardiac Sarcoidosis

Sun, 01 Sep 2024 00:00:00 +0000

Toward Decision Support System for Lower Limb Endovascular Revascularization

Mon, 01 Jan 2024 00:00:00 +0000

Segmentation of cardiac infarction in delayed-enhancement MRI using probability map and transformers-based neural networks

Fri, 01 Dec 2023 00:00:00 +0000

Transformers-Based Neural Network for Cardiac Infarction Segmentation in Delayed-Enhancement MRI

Mon, 16 Oct 2023 00:00:00 +0000

User-centered design for the development of a patient monitoring software for peripheral arterial disease

Sun, 01 Oct 2023 00:00:00 +0000

REMI — Aide à la décision pour la revascularisation endovasculaire des membres inférieurs

Wed, 01 Sep 2021 00:00:00 +0000

Comment aider un·e chirurgien·ne vasculaire à choisir la meilleure stratégie de revascularisation, alors que le succès d’une technique reste difficile à prédire ? REMI explore une réponse : apprendre des cas passés — comme le fait un clinicien expérimenté — mais de façon outillée, traçable et interprétable.

Le résultat, d’abord

REMI (Revascularisation Endovasculaire des Membres Inférieurs) est un projet d’aide à la décision clinique que je coordonne depuis 2021, en collaboration étroite avec le service de chirurgie vasculaire du CHU Grenoble Alpes. En quelques années, il a permis de :

concevoir et déployer en service un logiciel de recueil de données centré utilisateur ;
transformer des données cliniques réelles — incomplètes et hétérogènes — en une base de cas exploitable ;
démontrer la pertinence du raisonnement à partir de cas pour proposer à un nouveau patient les stratégies ayant réussi chez des patients similaires ;
mener à terme une thèse de doctorat (Margaux Roux, soutenue avec brio le 16 décembre 2025) et fédérer une équipe pluridisciplinaire financée par cinq financements successifs.

Ce projet a consisté, à partir d’un besoin clinique concret, à le traduire en spécifications, à lever les verrous techniques et organisationnels, et à aller jusqu’à un prototype réellement utilisé.

Le problème clinique : une décision difficile à anticiper

L’artériopathie oblitérante des membres inférieurs (AOMI) est une maladie des artères des jambes dont les symptômes principaux sont la douleur et les plaies ischémiques. Pour éviter les complications graves — amputation, décès — la revascularisation vise à restaurer le flux sanguin, par voie endovasculaire (angioplastie, stenting) ou par chirurgie ouverte.

Le problème : la probabilité de succès ou d’échec d’une technique reste difficile à prédire. Le·la chirurgien·ne s’appuie sur des arbres de décision, des scores (WIfI) et surtout sur son expérience. À ce jour, aucun outil ne l’aide pleinement à choisir, pour ce patient, la stratégie la plus prometteuse.

Techniques endovasculaires de revascularisation : angioplastie et stenting (fig. 1.9, thèse M. Roux).

Une méthode : le raisonnement à partir de cas

Les systèmes d’aide à la décision clinique se répartissent classiquement en deux familles : les approches statistiques, performantes mais souvent peu interprétables (« boîtes noires »), et les approches à base de règles expertes, transparentes mais difficiles à faire évoluer.

REMI explore une voie intermédiaire : le Raisonnement à Partir de Cas (RAPC), ou Case-Based Reasoning. Son hypothèse — « des problèmes similaires ont des solutions similaires » — se traduit, en clinique, par : des symptômes similaires, traités par des thérapies similaires, conduisent à des résultats similaires. C’est une méthode d’apprentissage proche du raisonnement médical lui-même, et naturellement plus explicable : chaque recommandation s’appuie sur des cas réels que l’on peut examiner.

Le cycle RAPC se décompose en quatre temps (illustrés en image de couverture) : remémorer des cas semblables, réutiliser et adapter leur solution, réviser le résultat, puis retenir le nouveau cas pour enrichir la base.

De la donnée clinique brute à une base de cas exploitable

C’est souvent l’étape la plus sous-estimée — et la plus structurante. Les données disponibles dans les dossiers patients informatisés sont incomplètes, hétérogènes et pensées pour le soin, non pour l’analyse. Le projet a donc dû :

modéliser un « cas » : un jeu d’attributs décrivant le problème (sévérité, score WIfI, anatomie des lésions, comorbidités) et un second décrivant la solution chirurgicale et son issue ;
traiter explicitement les données manquantes et le typage des attributs ;
combiner données rétrospectives et prospectives, puis développer un protocole d’extraction et d’agrégation en Python transformant des données patient-centrées en une base orientée « aide à la décision ».

Diagramme de classes du modèle de données implémenté dans le logiciel de collecte (fig. 3.9, thèse M. Roux).

Un logiciel prototype, centré utilisateur et déployé en service

Pour collecter des données prospectives de qualité, nous avons conçu un logiciel prototype directement utilisable par les cliniciens, dans leur flux de travail. Il calcule automatiquement le score WIfI (et donc le risque d’amputation), modélise une opération comme une séquence de gestes appliqués à des lésions, et génère automatiquement un compte-rendu opératoire.

C’est exactement le type de livrable qui m’intéresse : un outil pensé avec et pour ses utilisateurs, robuste assez pour quitter la paillasse et entrer dans la pratique. Le développement de cette application a justifié le recrutement d’un ingénieur de recherche dédié.

Interface du logiciel prototype de recueil de données (fig. 3.11, thèse M. Roux).

Vidéo de démonstration du logiciel, présentée lors de la première conférence du projet (en français).

Représenter les cas pour les comparer

Comparer deux patients suppose une bonne mesure de similarité entre cas. Le projet s’appuie sur un auto-encodeur : un réseau de neurones qui apprend à représenter chaque cas dans un espace latent compact, où la proximité géométrique reflète la similarité clinique. La remémoration des cas pertinents se fait alors dans cet espace.

Remémoration des cas similaires dans l’espace latent appris (fig. 4.4, thèse M. Roux).

Conduite de projet et financements

Démarré en 2021 avec la Pre Rafaëlle Spear, le projet a réuni au fil du temps trois sites (TIMC à Grenoble, LTSI à Rennes, CHU Grenoble Alpes) et a été soutenu par 284 450 € levés auprès de quatre sources de financement.

Période	Projet / dispositif	Co-porteur·euse·s	Financement obtenu	Source	Montant
2021–2022	REMI-ORIA	Rafaëlle Spear	Matériel	EMERGENCE (laboratoire TIMC)	12 000 €
2022–2023	User-centered development for data collection in endovascular revascularization	Rafaëlle Spear & Alexandre Demeure	2 stagiaires de Master 2 (Laure Chatenet & Clément Gasse)	MIAI@Grenoble Alpes (ANR-19-P3IA-0003)	11 200 €
2024–2025	CAMI-assistant chair	Sandrine Voros	1 ingénieur de recherche pendant 1 an (Romaric Ruga) + matériel	MIAI@Grenoble Alpes (ANR-19-P3IA-0003)	66 056 €
2024–2026	Aide à la décision — REMI	Rafaëlle Spear & Pascal Haigron	1 doctorante (Margaux Roux)	LabeX CAMI	160 000 €
2026–2027	Déploiement et validation clinique d’un outil d’IA	Rafaëlle Spear	Fin de thèse + 1 stagiaire + sous-traitance logicielle	Fondation pour l’Avenir	35 194 €
				Total	284 450 €

Encadrement et collaborations

Margaux Roux, doctorante — thèse « Aide à la décision pour la revascularisation endovasculaire des membres inférieurs », soutenue le 16 décembre 2025 (co-direction à 33 % avec R. Spear et P. Haigron).
Laure Chatenet et Clément Gasse, stagiaires de Master 2.
Romaric Ruga, ingénieur de recherche (finalisation du logiciel de recueil de données).
Pre Rafaëlle Spear (PU-PH, chirurgie vasculaire, CHU Grenoble Alpes) — co-porteuse clinique depuis l’origine du projet.
Pr Pascal Haigron (Université de Rennes, LTSI) — co-encadrant de la thèse.
Sandrine Voros (TIMC) et Alexandre Demeure — co-porteurs de dispositifs de financement.

Publications

2025. Roux Margaux, Spear Rafaëlle, Fouard Céline, Haigron Pascal — Retrieving similar cases for clinical decision support in the context of revascularization of lower limbs. International Journal of Medical Informatics, Vol 201, pp105931
2024. Roux Margaux, Spear Rafaëlle, Haigron Pascal, Demeure Alexandre, Fouard Céline — Toward Decision Support System for Lower Limb Endovascular Revascularization. 2024 46th Annual International Conference of the IEEE Engineering in Medicine and Biology Society
2023. Spear Rafaëlle, Fouard Céline, Demeure Alexandre, Gasse Clément, Chatenet Laure — User-centered design for the development of a patient monitoring software for peripheral arterial disease. Annals of Vascular Surgery

Ce projet marque, avec la thèse de , mon ancrage dans l’ — avec une exigence constante : des méthodes interprétables, des outils réellement utilisables, et un dialogue permanent avec les cliniciens.

Light Random Regression Forests for automatic multi-organ localization in CT images

Tue, 18 Apr 2017 00:00:00 +0000

Localiser automatiquement les organes dans le scanner

Fri, 30 Sep 2016 00:00:00 +0000

Mon premier virage vers le machine learning — pris, avec cet étudiant, deux ans avant l’explosion du deep learning.

Dans le prolongement du projet , j’ai co-encadré avec Emmanuel Promayon la thèse de Prasad Samarakoon, soutenue le 30 septembre 2016 à l’Université Grenoble Alpes (financement ANR TecSan « Robacus »). C’est le projet qui m’a fait basculer vers le machine learning appliqué à l’image médicale. Nous avons commencé deux ans avant l’essor de la segmentation par deep learning : nous avons donc misé, non sur les réseaux de neurones profonds, mais sur les forêts d’arbres décisionnels (random forests) — un choix lucide pour l’époque, et formateur.

Ce que cette thèse m’a vraiment apporté, ce n’est pas une méthode de plus : c’est une familiarité précoce avec les forces et les limites des approches par apprentissage — au premier rang desquelles leur étonnante robustesse.

L’enjeu : localiser, pas segmenter

Pour planifier une ponction assistée par le robot LPR, il faut d’abord situer dans le scanner les organes cibles et ceux à éviter — une étape encore réalisée à la main par le clinicien, fastidieuse et coûteuse en temps d’expert. Plutôt que de viser d’emblée la segmentation complète (délimiter chaque contour), nous avons attaqué le problème plus abordable et tout aussi utile de la localisation : encadrer chaque organe par une boîte englobante, automatiquement.

La contribution

Au-delà d’une analyse fine de la méthode, la thèse a produit deux apports à réelle portée pratique :

les Light Random Regression Forests : un modèle plus rapide et bien plus économe en mémoire, à précision équivalente — donc plus facile à embarquer et à déployer ;
une paramétrisation automatique qui supprime des réglages jusque-là fixés « à la main », rendant la méthode plus robuste et plus reproductible d’un jeu de données à l’autre.

Le pipeline des forêts de régression : préparation des données, prétraitement, entraînement, puis prédiction (en jaune les données, en bleu les traitements)

Robustesse — et biais : l’anecdote du rein fantôme

Une expérience reste, pour moi, l’illustration parfaite de ce que sont vraiment ces méthodes. Pour apprendre à localiser les reins, notre base d’entraînement — constituée de segmentations manuelles d’experts (nous-mêmes et les doctorants de l’équipe) — ne contenait que des patients à deux reins. En phase d’essai, le radiologue nous a soumis l’image d’un patient n’en ayant qu’un seul. L’algorithme a consciencieusement trouvé… deux boîtes englobantes, plaçant un « rein fantôme » là où la statistique l’attendait.

Nous étions, dès cette époque, sensibilisés à une vérité qui n’a rien perdu de son actualité : un modèle n’est que le reflet des données qu’on lui montre. La qualité et la représentativité du jeu d’apprentissage comptent autant que l’algorithme lui-même.

Ce que ce projet a représenté

Avec l’essor du deep learning, cette stratégie de localisation par forêts a ensuite été mise de côté — mais elle aura été décisive. Elle m’a permis d’aborder le tournant du machine learning par les fondations, à un moment où l’on prenait encore le temps de comprendre pourquoi une méthode fonctionne, ce qu’elle garantit, et où elle se trompe. C’est ce regard — robustesse, généralisation, vigilance sur les données — que je mobilise aujourd’hui dans le prototypage d’applications médicales.

Compétences mises en œuvre : co-encadrement doctoral · machine learning appliqué à l’image médicale · conception de méthodes robustes et automatiques · constitution et critique de bases d’apprentissage.

Publications liées

2017. Samarakoon Prasad N, Promayon Emmanuel, Fouard Céline — Light Random Regression Forests for automatic multi-organ localization in CT images. 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017)
2014. Saramakoon Prasad, Promayon Emmanuel, Fouard Céline — Fully Automatic Organ Localization in Medical Images Using Improved Random Regression Forests. Proceedings of Surgetica 2014

Fully Automatic Organ Localization in Medical Images Using Improved Random Regression Forests

Wed, 01 Jan 2014 00:00:00 +0000

Cardiologie interventionnelle

Mon, 01 Jan 0001 00:00:00 +0000

Du besoin clinique au prototype : guider le geste au cœur du bloc.

La cardiologie interventionnelle se pratique sous imagerie, mais le ou la clinicien·ne doit souvent agir sans voir directement la cible : la lésion à traiter ou à biopsier n’apparaît pas sur l’image temps réel de la salle. Mené avec le Pr Gilles Barone-Rochette (CHU Grenoble Alpes) et le laboratoire LTSI de Rennes, ce projet poursuit un seul objectif décliné en deux questions cliniques : fournir au cardiologue un guidage fiable, construit à partir de l’imagerie préopératoire et utilisable directement au bloc.

Le fil rouge : rebondir quand les données manquent

Le projet a démarré sur le guidage de la thérapie cellulaire. Le premier essai clinique a recruté moins de patients que prévu : les données nécessaires à la suite n’étaient pas au rendez-vous. Plutôt que d’abandonner, nous avons redéployé les briques techniques déjà construites (segmentation d’images, navigation) vers un besoin clinique connexe, à la valeur plus immédiate et au verrou mieux identifié : la biopsie endomyocardique.

Ce pivot est, en soi, un livrable : il illustre une capacité à dérisquer un projet, préserver les actifs développés et réorienter l’effort vers là où la valeur clinique est la plus forte — exactement le type d’arbitrage qu’attend une entreprise face à un programme de R&D qui ne se déroule pas comme prévu.

Sous-projet 1 — Guider la thérapie cellulaire post-infarctus

Après un infarctus, certaines thérapies consistent à réinjecter des cellules dans le myocarde. Tout l’enjeu est la précision : atteindre les bonnes zones, en s’appuyant sur des informations (l’étendue de la fibrose, les régions viables) qui ne sont visibles que sur l’imagerie préopératoire, pas sur l’image temps réel de la salle.

Notre approche : fusionner l’imagerie multimodale pour reporter, pendant l’intervention, les cibles repérées en préopératoire. La brique centrale est la segmentation automatique du myocarde et de la fibrose en IRM de rehaussement tardif (IRM-LGE), développée par apprentissage profond dans le cadre de la thèse d’Erwan Lecesne (co-dirigée avec le LTSI de Rennes), puis intégrée dans pour être présentée au clinicien en salle.

Réinjecter les cellules au bon endroit : la précision du geste conditionne l’efficacité de la thérapie.

CamiTK est un atelier de prototypage : il permet d’aller vite du concept au prototype évalué, mais son résultat n’a pas vocation à être un dispositif marqué CE. Cette brique constitue donc une preuve de concept ; son transfert industriel est aujourd’hui en discussion avec des partenaires du domaine.

Sous-projet 2 — Une cartographie pour la biopsie endomyocardique

Trois pathologies — sarcoïdose cardiaque, myocardite chronique et cardiomyopathie arythmogène — peuvent présenter un tableau clinique proche mais appellent des traitements opposés. Pour trancher, il faut une biopsie… encore faut-il prélever au bon endroit.

La biopsie endomyocardique : prélever un échantillon de tissu cardiaque, là où se trouve la lésion.

L’état de l’art laisse un vrai manque :

la biopsie « à l’aveugle » est peu spécifique, car la fibrose à cibler reste invisible pendant le geste ;
le guidage électro-anatomique est long et, lui aussi, aveugle à la fibrose.

Notre solution agit comme un « GPS » pour le cathéter de biopsie : elle reporte la cible issue de l’imagerie préopératoire sur l’image temps réel, pour guider le prélèvement. Deux choix de conception en font une solution pensée pour l’adoption : elle est indépendante du matériel (compatible avec une salle existante) et fonctionne en fluoroscopie temps réel, sans étape de fusion complexe. Elle réemploie directement la brique de segmentation du premier sous-projet.

Schéma du système de guidage proposé pour la biopsie endomyocardique (publié).

Statut actuel : nous préparons les premiers essais cliniques au laboratoire ; le transfert industriel viendra ensuite.

Ce que ce projet démontre

Concevoir à partir d’un besoin clinique réel, en dialogue étroit avec les praticiens, plutôt qu’autour d’une prouesse technique.
Maîtriser le traitement d’images médicales et l’IA et les mettre au service d’une cible précise et utile.
Mener un prototype du laboratoire vers la clinique, avec une conscience claire des étapes de maturité (TRL), du cadre des essais et du marquage CE.
Architecturer pour l’adoption : indépendance vis-à-vis du matériel, intégration dans un atelier de prototypage, réemploi des briques.
Réorienter un projet pour en préserver la valeur : agilité et dérisquage face à l’imprévu.
Piloter une collaboration multi-site (Grenoble–Rennes) et co-encadrer une thèse de doctorat.

Financements obtenus

Financement	Montant	Objet
Projet Famtastic (France Life Imaging)	20 000 €	Amorçage de la collaboration avec le LTSI (Rennes)
PUI (UGA)	60 000 €	Maturation du prototype vers les premiers essais cliniques
Thèse de doctorat (LabeX CAMI)	170 000 €	Co-direction de la thèse d’Erwan Lecesne
Post-doctorat (LabeX CAMI)	56 000 €	Une année d’ingénierie post-doctorale
Total	306 000 €

Collaborations et encadrement

Pr Gilles Barone-Rochette — cardiologue interventionnel, CHU Grenoble Alpes : partenaire clinique du projet.
Laboratoire LTSI (Rennes) — Professeure Mireille Garreau et Antoine Simon (maître de conférences) : collaboration sur le traitement d’images cardiaques.
Thèse d’Erwan Lecesne (2020–2024), co-dirigée à 50 % avec Mireille Garreau (LTSI) : traitement d’images multimodales pour améliorer la thérapie cellulaire post-infarctus.
Thèse de Théophile Tiffet — interne en médecine : calibrage échographie / SPECT pour la cardiologie interventionnelle.

Publications associées

2024. Barone-Rochette Gilles, MD,, Erwan Lecesne, MSc,, Antoine Simon, PhD, Mireille Garreau, PhD,, Celine Fouard, PhD — New Method CMR-Guided Endomyocardial Biopsy in Suspicion Context of Isolated Cardiac Sarcoidosis. Circulation: Cardiovascular Imaging, vol 17, no 4
2023. Erwan Lecesne, Antoine Simon, Mireille Garreau, Barone-Rochette Gilles, Celine Fouard — Segmentation of cardiac infarction in delayed-enhancement MRI using probability map and transformers-based neural networks. Computer Methods and Programs in Biomedicine, vol 242
2023. Lecesne Erwan, Simon Antoine, Garreau Mireille, Barone-Rochette Gilles, Fouard Céline — Transformers-Based Neural Network for Cardiac Infarction Segmentation in Delayed-Enhancement MRI. 2023 IEEE Twelfth International Conference on Image Processing Theory, Tools and Applications (IPTA)