Modélisation multimodale de la progression de la maladie d'Alzheimer

Multimodal modelling of Alzheimer's Disease progression

• Auteur / Autrice : Benoît Sauty
• Direction : Stanley Durrleman
• Type : Thèse de doctorat
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Soutenance le 13/09/2023
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Centre de recherche de Paris (Paris)
• Jury : Président / Présidente : Isabelle Bloch
• Jury : Examinateurs / Examinatrices : Emma C. Robinson
• Jury : Rapporteurs / Rapporteuses : Marco Lorenzi, Bruno Jedynak

Mots clés

Mots clés contrôlés

Maladies neurodégénératives

Géométrie de Riemann

Biologie -- Modèles mathématiques

Modélisation prédictive

Alzheimer, Maladie d'

Mots clés libres

Modélisation

Neurodégénérescence

Alzheimer

Modeling

Neurodegenerescence

Alzheimer

Résumé

La maladie d'Alzheimer (MA) est une pathologie multi-facette qui peut être surveillée grâce à une grande variété de modalités de données. Cette thèse vise à exploiter des données longitudinales multimodales, principalement des données d'imagerie et des tests cognitifs, pour fournir une description statistique de la progression de la MA et permettre une prévision individuelle de la dégradation future. Les modèles de progression à effet-mixtes de la maladie (DPMs) sont couramment utilisés pour ces tâches. Dans ce contexte, notre première contribution remet en question l'hypothèse fréquente selon laquelle les biomarqueurs suivent des fonctions linéaires ou logistiques au fil du temps, et nous proposons un cadre géométrique qui suppose que les données se trouvent sur une variété et suivent des géodésiques au fil du temps. Nous apprenons la métrique riemannienne de l'espace d'observation et sommes capables de modéliser une plus grande variété de biomarqueurs, sans hypothèses préalables sur la forme de la trajectoire au fil du temps. En utilisant des auto-encodeurs variationnels, nous étendons ensuite ce cadre aux données de neuroimagerie (IRM ou TEP), afin de fournir des modèles de progression en grande dimension qui décrivent les motifs d'altérations structurelles et fonctionnelles du cerveau au cours de la MA. Nous appliquons ensuite cette famille de DPMs à des données réelles afin d'étudier l'hétérogénéité de la progression de la MA, en décrivant l'influence du génotype APOE-e4 et du sexe sur les motifs d'altérations cérébrales. Enfin, nous utilisons ces DPMs avec un ensemble de biomarqueurs d'imagerie et extrait du fluide cérébrospinal pour identifier les combinaisons spécifiques de paramètres qui permettent de prévoir les déclins cognitifs chez les patients à différents stades de la maladie. La thèse démontre que les DPMs peuvent modéliser efficacement la progression de la MA en utilisant une grande variété de données longitudinales multimodales et fournir des informations précieuses sur les manifestations cliniques et la progression de la maladie. Ces résultats peuvent informer la conception d'essais cliniques et faciliter des stratégies de traitement individualisées et plus précises pour les patients atteints de la MA.

Alzheimer's disease (AD) is a multi-facet pathology, that can be monitored through a variety of data types. This thesis aims to leverage multimodal longitudinal data, especially imaging scans and cognitive tests, to provide a statistical description of the progression of AD and to enable individual forecasting of future decline. Mixed-effect disease progression models (DPMs) are commonly used for these tasks. In this context, our first contribution questions the frequent assumption that biomarkers follow linear or logistic functions over time, and we propose a geometric framework that assumes the data lie on a manifold and follow geodesics over time. We learn the Riemannian metric of the observation space and are able to model a wider variety of biomarkers, without priors on the shape of the trajectory over time. Using variational auto-encoders, we then extend this framework to neuroimaging data (MRI or PET scans), in order to provide high-dimensional progression models that describe the patterns of structural and functional alterations of the brain over the course of AD. We then apply this family of DPMs to clinical studies data in order to investigate the heterogeneity of AD progression, due to APOE-e4 genotype and sex on patterns of brain alterations. Lastly, we use said DPMs with a set of imaging and fluid biomarkers to identify the specific combinations of input features that best forecast cognitive declines in patients at different stages of the disease. The thesis demonstrates that DPMs can effectively model the progression of AD using a great variety of multimodal longitudinal data and provide valuable insights into the disease's clinical manifestations and progression. These findings can inform clinical trial design and facilitate more accurate prognosis and individualized treatment strategies for patients with AD.