lntegration of uncertainties associated wìth personalized dosímetry in the optimization of internal radiotherapies

La radiothérapie interne est en plein essor avec l'apparition de nouveaux radiopharmaceutiques pour le traitement des cancers. Actuellement, les protocoles sont généralement basés sur l'administration, pour tous les patients, d'une même activité par unité de masse ou par surface corporelle. Cependant, la biocinétique du radiopharmaceutique très spécifique à chaque patient peut entraîner un sous-dosage de la quantité de radioactivité nécessaire à l'élimination des lésions ou à un surdosage pouvant induire une toxicité. Ainsi, l'activité à administrer doit être optimisée en trouvant un compromis entre la probabilité de contrôle de la tumeur ou du tissu cible et les complications aux tissus sains. Cette optimisation doit être réalisée par l'estimation de la dose absorbée personnalisée déterminée au mieux à partir des différentes données disponibles permettant d'évaluer la biocinétique individuel ainsi que d'adapter le modèle numérique à la morphologie du patient. Cependant, évaluer la biocinétique et adapter le modèle numérique au patient à partir d'images nécessitent de nombreuses étapes sujettes à incertitudes (détermination du volume de la région cible, des organes à risque, de la rétention dans les tissus au cours du temps…). La quantification des incertitudes introduites par chacune des étapes ainsi que l'incertitude globale sur la dose absorbée et sur l'activité à administrer est nécessaire. De par leurs souplesses et leurs rapidités, les réseaux bayésiens sont parfaitement adaptés pour l'estimation des incertitudes sur la dose absorbée suite à l'administration d'un radiopharmaceutique. Enfin, en intégrant la notion d'utilité, ces réseaux peuvent être la base d'un système expert qui renseignerait le praticien sur de potentiels examens supplémentaires qui pourraient permettre de réduire l'incertitude sur la dose absorbée. Ces examens pourraient être de nouvelles acquisitions d'images ou des analyses biologiques.Internal radiotherapy is a rapidly-evolving sector with the emergence of new radiopharmaceuticals. Currently, the procedures are generally based on the administration, for all patients, of the same activity per unit mass or body surface. However, the biokinetics of the radiopharmaceutical very specific to each patient may result in an underdosing of the amount of radioactivity necessary for the eradication of lesions or an overdose that may induce toxicity. Thus, the activity to be administered must be optimised by finding a compromise between the probability of control of the target tumor or tissue and complications to healthy tissues. This optimisation should be done by estimating the personalised absorbed dose best determined from the different available data to evaluate the individual biokinetics as well as to adapt the numerical model to the morphology of the patient. However, evaluate the biokinetics and adapt the numerical model to patient from images require many steps subject to uncertainties (determination of the volume of the target region, organs at risk, retention in tissues over time ...). The quantification of the uncertainties introduced by each of the steps as well as the overall uncertainty about the absorbed dose and the activity to be administered is necessary. Because of their flexibility and speed, Bayesian networks are ideally suited for estimating uncertainties in absorbed dose following the administration of a radiopharmaceutical. Finally, by integrating the notion of utility, these networks can be the basis of an expert system that would inform the practitioner of potential additional investigations that could reduce the uncertainty of the absorbed dose. These examinations could be new acquisitions of images or biological analyses