Jusqu'au 29/10/2025
L’imagerie est un élément crucial des protocoles cliniques du cancer, fournissant des informations morphologiques, structurelles, métaboliques et fonctionnelles détaillées. Cependant, il reste difficile d’exploiter tout le potentiel des données générées par l’imagerie médicale en milieu clinique. Les cliniciens ont souvent du mal à combiner des données diverses et à grande échelle dans une vue complète des soins aux patients, de la progression de la maladie et de l’efficacité du traitement. L’incapacité à intégrer et à interpréter de manière transparente diverses sources de données entraîne des résultats sous-optimaux pour les patients et des inefficacités dans la prestation des soins de santé.
L’intégration de l’intelligence artificielle (IA) traditionnelle à l’imagerie médicale peut transformer les soins de santé, mais la plupart des applications existantes n’en sont qu’à leurs balbutiements et doivent surmonter un certain nombre de défis pour accélérer l’adoption. Il s’agit notamment des applications d’IA confinées à des modalités de données uniques, ce qui limite leur efficacité globale (application monomodale) ; une formation inadéquate et insuffisante sur les données, entraînant une rareté des données et un manque de généralisabilité, ce qui les rend moins fiables pour diverses populations de patients, y compris en ce qui concerne la sensibilité au genre ; et le manque d’interprétabilité des modèles d’IA, car de nombreux systèmes d’IA fonctionnent comme des « boîtes noires », fournissant peu d’informations sur leurs processus de prise de décision. Ce manque de transparence limite la confiance dans les systèmes et leur facilité d’utilisation en milieu clinique.
L’objectif de ce Pathfinder Challenge est de créer des agents autonomes GenAI interactifs et/ou une combinaison de ceux-ci (super-agents) qui offrent aux cliniciens une perspective holistique de bout en bout des soins aux patients, tout au long du parcours clinique. Ces agents visent à améliorer l’identification des modèles, à réduire les incohérences et les erreurs dans les diagnostics ainsi qu’à améliorer le traitement du cancer. Bien que l’accent soit mis sur GenAI, nous encourageons également l’intégration d’autres technologies d’IA avancées, telles que l’apprentissage profond topologique et géométrique, les champs neuronaux, les réseaux neuronaux graphiques, etc., qui peuvent compléter et améliorer la robustesse et l’efficacité des solutions basées sur GenAI pour relever les défis du diagnostic et du traitement du cancer.
Le Défi soutiendra des projets de recherche novateurs à un stade précoce qui permettront d’élaborer et de valider de nouvelles approches et de nouveaux concepts pour l’intégration et l’interprétation de l’imagerie médicale multimodale et des données de santé. De plus, il s’agira de générer des données médicales synthétiques fiables, qui seront également regroupées pour former une base de données commune et utilisées pour le développement d’algorithmes avancés.
Objectifs spécifiques
Les propositions de projet dans le cadre de ce défi doivent porter sur l’une (et une seule) des maladies suivantes : cancer du sein, cancer du col de l’utérus, cancer de l’ovaire, cancer de la prostate, cancer du poumon, cancer du cerveau, cancer de l’estomac ou cancer colorectal.
Chaque proposition doit porter sur les deux domaines suivants (au moins un sous-objectif de chacun des domaines) :
Domaine 1 : Domaine technologique
Étudier des techniques et des méthodologies révolutionnaires pour développer des algorithmes GenAI qui combinent des données multidimensionnelles (par exemple, dimension temporelle, dimension spatiale) et multimodales provenant de diverses sources. Il s’agit notamment de plusieurs modalités d’imagerie (par exemple, IRM, TDM, TEP, radiographie), de données cliniques (par exemple, dossiers de santé électroniques, résultats de laboratoire, données cliniques structurées et non structurées, résultats de pathologie, données génétiques et omiques, vidéos, bases de données de connaissances et autres ressources). L’objectif est de fournir une vue d’ensemble de l’état du patient. Les algorithmes développés devraient être capables de produire des ensembles de données unifiés et exploitables qui pourront être exploités pour le développement des outils d’IA décrits dans le domaine 2 (clinique).
Développer des modèles GenAI basés sur des techniques révolutionnaires qui sont en phase conceptuelle ou expérimentale initiale pour l’augmentation des données médicales. Ces modèles doivent être capables de créer des données médicales synthétiques très réalistes (images, données génomiques, etc.) et de générer des données complémentaires à partir de sources existantes (par exemple produire des images CT synthétiques à partir d’images IRM), afin de soutenir les cycles itératifs d’entraînement des modèles.
Créez un premier prototype de modèle GenAI pour la représentation et l’intégration des connaissances médicales. Ce modèle devrait viser à développer une base de connaissances médicales complète et dynamique, à identifier les caractéristiques d’imagerie médicale discrètes associées à des informations démographiques et à des conditions systémiques, à améliorer l’interprétabilité des modèles basés sur l’IA et à extraire de nouvelles connaissances non identifiables auparavant par des experts sans assistance.
Domaine 2 : Domaine clinique
Développer un agent autonome interactif capable d’évaluer la probabilité qu’un patient développe un cancer en analysant ses antécédents médicaux, ses données d’imagerie et ses informations génétiques. L’agent doit fournir des prévisions personnalisées des risques pour la santé, permettant une détection précoce et des mesures préventives.
Développer de nouveaux algorithmes et architectures d’IA qui exploitent l’intégration multidimensionnelle et multimodale des données, ainsi que la génération de données synthétiques, pour prédire le parcours de traitement optimal pour des conditions spécifiques de patients, ainsi que pour prévoir la progression de la maladie et l’efficacité du traitement, offrant ainsi une vue complète des soins aux patients.
Des mesures de rendement appropriées devraient être prises en compte pour l’évaluation et la mise à l’essai continues de la robustesse scientifique et technique (y compris la quantification précise des incertitudes) de tous les algorithmes et architectures développés dans les domaines 1 et 2. Des tests rigoureux basés sur divers ensembles de données sont essentiels pour s’assurer que les modèles fonctionnent de manière fiable dans divers groupes démographiques et conditions de patients, réduisant ainsi le risque de résultats faussés et garantissant la précision du diagnostic au traitement.
Les projets doivent également mener des études de validation de principe dans des environnements contrôlés afin de démontrer un diagnostic et un traitement améliorés et plus précis par rapport à la pratique clinique actuelle. La viabilité des technologies mises au point devrait être évaluée, ce qui orienterait le perfectionnement et l’amélioration. Par exemple, un super-agent pourrait être validé pour aider et/ou remplacer les cliniciens tout au long du parcours clinique du patient, fournissant une vision holistique des soins aux patients, ce qui est actuellement irréalisable en raison de la fragmentation des systèmes de santé et de l’expertise associée.
L’accent devrait également être mis sur l’amélioration de l’intelligibilité des modèles/agents d’IA, en rendant leurs processus de prise de décision plus transparents et plus compréhensibles pour les cliniciens. Cela pourrait impliquer le développement de techniques de pointe telles que des méthodes d’inférence causale, des cadres d’IA explicables ou de nouveaux outils de visualisation qui fournissent des informations plus approfondies sur les processus de prise de décision de l’IA.
Les modèles d’IA développés dans le cadre de ce défi doivent être conformes au concept d’IA digne de confiance de l’UE, aux principes éthiques pertinents et à la législation sur l’IA. En plus de se concentrer sur la performance, une attention particulière doit être accordée à la qualité des données, à la transparence, à la confidentialité et à la sécurité.
Les proposants sont encouragés à exploiter les données et les outils disponibles sur la plateforme Cancer Image Europe (déployée dans le cadre de l’Initiative européenne d’imagerie du cancer) pour leurs travaux proposés. À leur tour, ils devraient contribuer aux ensembles de données et développer des outils et des modèles d’IA à la plateforme dans des conditions convenues. Tous les ensembles de données produits devraient être décrits, dans la mesure du possible, à l’aide d’enregistrements de métadonnées dans le catalogue des ensembles de données de l’UE de l’espace européen des données de santé (EHDS) à l’aide de la norme de métadonnées DCAT-AP pour la santé.
Les projets qui ne portent que sur l’un des deux « domaines » ou sur d’autres types de cancer seront considérés comme « hors » portée.
À l’appui de la stratégie européenne en matière d’IA, du plan cancer pour l’Europe et de la mission cancer, ce défi vise à soutenir le développement de modèles de nouvelle génération pour le diagnostic et le traitement du cancer, avec l’IA générative.
Ce défi vise à créer un environnement collaboratif où diverses expertises – y compris, par exemple, la science des données, l’informatique, l’oncologie, la radiologie, la pathologie, la physique médicale, la bioinformatique, les généticiens, les administrateurs de soins de santé et les groupes de défense des patients – convergent pour aborder les complexités du développement d’agents autonomes pour des soins holistiques aux patients, grâce à un diagnostic amélioré et à un traitement personnalisé.
Le Défi vise à améliorer considérablement les soins aux patients et à réduire la pression sur le système de santé en tirant parti d’agents autonomes interactifs avancés pour le diagnostic et le traitement personnalisé. En allégeant la charge pesant sur les cliniciens et en garantissant le respect du concept de l’UE pour une IA digne de confiance, l’initiative améliorera la qualité et la fiabilité des services médicaux. Sur le plan économique, il promet des réductions de coûts substantielles et des évitements de coûts, ce qui entraînera des améliorations à long terme de l’efficacité et de la durabilité des soins de santé. En fin de compte, ce défi favorisera l’innovation et fera de l’Europe un chef de file dans ce domaine, offrant des avantages considérables aux patients, aux prestataires de soins de santé et à la société dans son ensemble.
Le portefeuille de projets sélectionnés sera conçu de manière à fournir un ensemble d’agents/modèles permettant d’améliorer le diagnostic et le traitement personnalisé des cancers mentionnés ci-dessus. Plus précisément, les projets collaboreront pour :
– Créer une base de données partagée d’images générées synthétiquement à utiliser dans tous les projets pour le développement de leurs algorithmes ;
– Comparer l’utilisation d’une combinaison d’agents dans le cas de plusieurs cancers ;
– Agents de référence pour un diagnostic amélioré et une sélection de traitement personnalisée ;
– Définir des parcours cliniques innovants en oncologie ;
– Valider en externe les agents développés au sein d’un projet dans les locaux cliniques d’un autre projet du portefeuille ;
– Développer des méthodes et des cadres normalisés pour évaluer les modèles d’IA génératifs conformes à la loi sur l’IA et au règlement sur les dispositifs médicaux (MDR).
Le portefeuille de projets à financer dans le cadre de ce défi sera composé de manière à s’attaquer idéalement à tous les cancers mentionnés dans cet appel, à appliquer différentes technologies et à donner accès à des installations cliniques et à des infrastructures de recherche pertinentes. Les catégories suivantes seront utilisées pour la composition :
Catégorie 1 – type de cancer
Catégorie 2 – type de technologie
Catégorie 3 – accès aux données d’infrastructure appropriées et intégration de l’écosystème.
Les candidatures à ce défi comportant des éléments concernant l’évolution des réseaux de communication européens (5G, post-5G et autres technologies liées à l’évolution des réseaux de communication européens) seront soumises à des restrictions pour la protection des réseaux de communication européens (voir annexe II – section B1)
