Les progrès de la génétique au cours des 10 dernières années ont conduit à la mise au point de plusieurs traitements ciblés du cancer du poumon, du sein et du côlon. Cependant, un certain nombre de facteurs limitent l’utilisation optimale de ces innovations, notamment le coût élevé du processus organisationnel associé aux tests moléculaires et leur utilisation tardive dans le parcours du patient. Récemment, la perspective d’obtenir des biomarqueurs numériques diagnostics non invasifs, et pouvant faciliter un traitement personalisé, peu couteux et rapides est apparue au travers d’une discipline connue sous le nom de radiomique. La radiomique exploite les progrès de l’intelligence artificielle pour la mesure quantitative de caractéristiques d’imagerie de haute dimension avec des indications prédictives et pronostiques prometteuses et pour le moins complémentaire aux tests moléculaires actuels. Néanmoins, le manque de validation sur des cohortes importantes et la transdisciplinarité nécessaire à ce processus apparaissent comme une barrière méthodologique melant la physique et le traitement de l’imagerie médicale, l’analyse du big data en santé (clinique, biologique, génétique et épigénétique), et l’expertise requise en apprentissage machine et en apprentissage profond. Le projet proposé vise à opérationnaliser à grande échelle l’écosystème d’Imagia, appelé Evidens, afin de permettre une forte réduction du coût de la découverte de biomarqueurs numériques en imagerie du cancer, en appliquant les avancées en matière d’apprentissage profond automatique, de confidentialité des données et de calcul distribué et de biostatistique. Ce projet multidisciplinaire contribuera à la mission d’Evidens, qui consiste à faciliter un accès universel à la médecine de précision en favorisant les collaborations avec l’IA, en fédérant l’apprentissage issu des données des patients dans les hôpitaux partenaires et en unissant l’expertise clinique et l’IA.