Le cancer est la principale cause de décès dans le monde. Ces derniers temps, les avancées dans le domaine de la médecine de précision ont modifié les normes de traitement du cancer en proposant de nouveaux plans de traitement personnalisés aux résultats prometteurs. Cette spécification du traitement aux besoins du patient s’appuie principalement sur l’évaluation de lames d’histopathologie, sur lesquelles des échantillons de tissus sont colorés chimiquement afin de fournir une lecture distincte de différents profils moléculaires tels que KRAS, HER2, Ki67 et autres. Des preuves supplémentaires soulignent l’importance de la distribution spatiale de ces phénotypes moléculaires pour les décisions de traitement. Dans le cadre de ce projet, nous avons pour objectif de concevoir et d’évaluer de nouveaux modèles d’intelligence artificielle permettant de quantifier automatiquement les informations spatiales associées au traitement, à partir d’images numériques de lames scannées. Plus précisément, nous investiguerons de nouveaux modèles à base de transformeurs visuels et de réseaux génératifs reposant sur de l’apprentissage profond pour en déduire des tests moléculaires à partir de lames H&E, de manière supervisée et non supervisée. En outre, nous étudierons comment cette organisation spatiale des profils moléculaires peut être corrélée avec les résultats du traitement à travers une modélisation par graphe dans un paradigme d’apprentissage profond. Nous avons la profonde conviction que les résultats de ce projet auront un effet positif sur l’oncologie clinique, et donc sur l’espérance de vie des patients.