Modélisation de la progression de la maladie de Parkinson

Progression models for Parkinson’s Disease

• Auteur / Autrice : Raphaël Couronné
• Direction : Stanley Durrleman
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées
• Date : Soutenance le 23/09/2021
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : Institut du cerveau (Paris ; 2009-....)
• Jury : Président / Présidente : Stéphane Lehéricy
• Jury : Examinateurs / Examinatrices : Maria Vakalopoulou, Neil Oxtoby
• Jury : Rapporteurs / Rapporteuses : Arthur Tenenhaus, Bruno Jedynak

Mots clés

Mots clés contrôlés

Imagerie médicale

Géométrie de Riemann

Méthode longitudinale

Modélisation prédictive

Biologie -- Modèles mathématiques

Maladie de Parkinson

Mots clés libres

Données longitudinales

Trajectoires spatiotemporelles

Apprentissage automatique

Maladie de Parkinson

Vision par ordinateur

Modèles génératifs

Longitudinal data

Spatio-temporal trajectories

Machine learning

Parkinson’s disease

Computer vision

Generative models

Résumé

Dans ce travail, nous développons des méthodes statistiques pour modéliser la progression de la Maladie de Parkinson (MP) à partir de données répétées. La progression de la MP, très hétérogène, est complexe à modéliser. Pour mieux comprendre la progression des maladies neurodégénératives, des études effectuent un suivi de patients dans le temps, avec une batterie de tests à chaque visite. Ces données permettent d’étudier les différents types de progression par analyse statistique. Dans une première partie, nous modélisons la progression de marqueurs scalaires de la maladie de Parkinson. Nous nous basons sur un modèle longitudinal, le modèle longitudinal spatiotemporel. Nous proposons de gérer les valeurs manquantes, ainsi que de modéliser la progression jointe de marqueurs de différentes natures, comme les scores cliniques, ou les marqueurs extraits de l’imagerie. Avec ce modèle, nous nous concentrons d'abord sur la modélisation des symptômes moteurs précoces dans la MP. Puis nous étudions l'hétérogénéité de la MP, avec un accent sur les troubles du sommeil. Dans une seconde partie indépendante, nous étudions la modélisation de données longitudinales provenant de l'imagerie. Nous proposons d'utiliser un réseau de neurone comme méthode de réduction de dimension afin de construire un système de coordonnées spatiotemporel de progression de la maladie. Nous tirons parti de la flexibilité des réseaux de neurones pour modéliser la progression de données multimodales. Enfin, en supposant la monotonicité des marqueurs au cours du temps, nous nous appuyons sur l’ordre des visites plutôt que l’âge des patients pour modéliser plus finement la variabilité temporelle de nos données.

In this work, we developed statistical methods to model disease progression from patient’s repeated measurements, with a focus on Parkinson’s Disease (PD). A key challenge lies in the inherent heterogeneity of PD across patients, to the extent that PD is now suspected to encompass multiple subtypes or motor phenotypes. To gain insights on disease progression, research studies propose to gather a broad range of marker measurements, at multiple timepoints for each patients. These data allow to investigate the disease’s patterns of progression via statistical modeling. In a first part, we modeled the progression of scalar markers of PD. We extended on a disease progression model, namely the longitudinal spatiotemporal model. We then proposed to address data missingness, and to model the joint progression of markers of different nature, such as clinical scores, and scalar measurements extracted on imaging modalities. With this method, we modeled early motor progression in PD, and, in a second work, the heterogeneity of idiopathic PD progression, with a focus on sleep symptoms. In a second, independent, part of the manuscript, we tackled the longitudinal modeling of medical images. For these higher dimensionality data, Deep Learning is often used, but mostly in cross sectional setups, ignoring the possible inner dynamics. We proposed to leverage Deep Learning as a dimensionality reduction tool to build a spatiotemporal coordinate system of disease progression. We first took advantage of this flexibility to handle multimodal data. Then we leveraged the self-supervision induced by assuming monotonicity over time, to offer higher flexibility in modeling temporal variability.