L'âge cérébral estimé en IRM par apprentissage profond dans l'étude de la physiopathologie des maladies neurologiques et psychiatriques

Brain age estimated by deep learning on MRI in the study of the pathophysiology of neurological and psychiatric diseases

• Auteur / Autrice : Morgan Gautherot
• Direction : Renaud Lopes
• Type : Thèse de doctorat
• Discipline(s) : Neurosciences
• Date : Soutenance le 13/12/2021
• Etablissement(s) : Université de Lille (2018-2021)
• Ecole(s) doctorale(s) : École doctorale Biologie-Santé (Lille ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Troubles cognitifs dégénératifs et vasculaires (Lille)
• Partenaire(s) de recherche : Unité Mixte de Service : Lille Invivo Imaging and Functional Exploration
• Jury : Président / Présidente : Jean-Pierre Pruvo
• Jury : Examinateurs / Examinatrices : Ardalan Aarabi, Cécile Bordier
• Jury : Rapporteurs / Rapporteuses : Arnaud Cachia, Blaise Hanczar

Mots clés

Mots clés contrôlés

Psychiatrie

Imagerie par résonance magnétique de diffusion

Apprentissage profond

Maladies neurodégénératives

Maladies mentales

Imagerie par résonance magnétique

Apprentissage profond

Maladies neurodégénératives

Mots clés libres

Apprentissage profond

Imagerie par Résonance Magnétique

Maladies neurogloiques

Maladies psychiatriques

Age cérébral

Deep learning

Magnetic Resonance Imaging

Neurological diseases

Psychiatric diseases

Brain age

Résumé

Les maladies neurodégénératives touchent environ 50 millions de personnes dans le monde, 33 millions pour l’AVC et 23 millions pour la schizophrénie. Dans la majorité des cas, ces maladies ne tuent pas mais handicapent la personne pour le reste de sa vie. Certaines de ces personnes deviennent dépendantes lors des premiers symptômes ce qui impacte aussi l’entourage du malade. Pourtant à l’heure actuelle, les soins proposés sont peu ou pas efficace ou souvent mis en place tard dans l’évolution de la maladie.Grâce aux possibilités d’analyse structurelle et fonctionnelle du cerveau, l’imagerie par résonnance magnétique (IRM) est une technique de plus en plus utilisée pour identifier de nouveaux marqueurs diagnostiques de ces maladies. L’objectif principal de ce travail de thèse est l’étude d’un biomarqueur transnosographique d’imagerie médicale appelé score d’âge cérébral.Dans la première partie de ce manuscrit, sont décrites les différentes méthodologies pour entraîner un modèle de prédiction d’âge cérébral en utilisant des méthodologies d’apprentissage automatique. Ensuite, il est expliqué comment calculer et interpréter le score d’âge cérébral, qui est la différence entre la prédiction d’âge du modèle d’apprentissage automatique et l’âge chronologique du patient au moment de l’acquisition de l’image IRM.Dans la deuxième partie, est présentée une application du score d’âge cérébral chez des patients atteints de la maladie Alzheimer (MA) du sujet jeune. La particularité de la MA du sujet jeune et d’avoir des atteintes non-mnésiques plus importantes et un déclin cognitif plus rapide que chez les patients Alzheimer du sujet âgé. L’impact de cette maladie sur le cerveau peut être assimilé à une accélération du vieillissement cérébral. Le score d’âge cérébral est donc plus élevé chez ces patients que chez une population de sujets sains. Dans cette étude, nous avons montré que le score d’âge cérébral pourrait être un marqueur précieux de la sévérité de la MA qui peut être utilisé pour distinguer les variantes cliniques de la MA du sujet jeune.Dans la troisième partie, est présenté une application du score d’âge cérébrale chez des patients atteints de premier épisode psychotique (PEP). Les PEP sont non spécifiques et ne préjugent pas du devenir du patient. Parmi ces patients certains développeront une schizophrénie chronique et d’autres n’auront plus d’épisode psychotique de leur vie. Même si la physiopathologie de la schizophrénie demeure encore très discutée, de nombreuses hypothèses étiopathogéniques ont été formulées, il a été montré que cette maladie à un impact cérébral structurel important chez le patient. Les patients PEP ont montré un score d’âge cérébral plus élevé par rapport à la population contrôle, mais moins élevé que les patients schizophrènes. Mais aussi l’application du score d’âge cérébral a permis aussi prédire le risque de récidive et/ou de chronicisation à 6 mois du PEP.Dans la quatrième partie, est présentée une application du score d’âge cérébral chez les patients touché par un accidence vasculaire cérébral (AVC). Durant un AVC, les structures cérébrales sont dégradées, on parle d’une perte neuronale équivalent à un vieillissement de 3.6 ans en moyenne par heure sans traitement et d’un vieillissement cognitif équivalent à 7.9 ans. L’idée est d’utiliser seulement les hémisphères pour la prédiction de l’âge cérébral afin de comparer l’hémisphère atteint par l’infarctus de celui qui ne l’est pas. Bien que le score d’âge cérébral n’ait pas su se montrer assez sensible pour prédire les troubles cognitifs post-AVC, il a su interpréter les changements liés à l’AVC sur l’hémisphère atteint par l’infarctus comme une accélération de l’âge cérébral.L’ensemble de ces résultats montrent l’intérêt que peut avoir un biomarqueur transnosographique comme le score d’âge cérébral dans l’études de différentes neuropathologies.

Neurodegenerative diseases affect about 50 million people worldwide, 33 million for stroke and 23 million for schizophrenia. In the majority of cases, these diseases do not kill but handicap the person for the rest of his life. Some of these people become dependent at the time of the first symptoms which also impacts the patient's entourage. However, at the present time, the proposed treatments are not very effective or are often implemented late in the evolution of the disease.Thanks to the possibilities of structural and functional analysis of the brain, magnetic resonance imaging (MRI) is a technique increasingly used to identify new diagnostic markers of these diseases. The main objective of this thesis work was the study of a medical imaging biomarker called brain age score.In the first part of this manuscript, is described the different methodologies to train a brain age prediction model using machine learning methodologies. Then, how to calculate and interpret the brain age score, which is the difference between the age prediction of the machine learning model and the chronological age of the patient at the time of acquisition of the MRI image.In the second part, an application of the brain age score with early onset Alzheimer disease (EOAD) patients is presented. The particularity of EOAD is that it has non-amnestic impairments and a more rapid cognitive decline than in late onset Alzheimer disease. The impact of this disease on the brain can be assimilated to an acceleration of cerebral aging. The brain age score is therefore higher in these patients than in a control population. In this study, we have shown that the brain age score could be a valuable marker of AD severity that can be used to distinguish clinical variants of EOAD.In the third part, an application of the brain age score in patients with first episode psychosis is presented. The first episode psychosis are non-specific and do not prejudge the patient's future. Among these patients, some will develop chronic schizophrenia and others will have no further first episode psychosis in their life. Even if the pathophysiology of schizophrenia is still very much debated and many etiopathogenic hypotheses have been formulated, it is sure that this disease has a structural impact on the patient's brain structure. first episode psychosis patients showed a higher brain age score compared to the control population, but also a lower score than in schizophrenic patients. But also the application of the brain age score allowed to predict the risk of recurrence and/or chronicization at 6 months of first episode psychosis.In the fourth part, an application of the brain age score in patients affected by stroke is presented. During a stroke, the cerebral structures are degraded, we speak about a neuronal loss equivalent to an aging of 3.6 years on average per hour without treatment and a cognitive aging equivalent to 7.9 years. The idea is to use only the hemispheres for the prediction of brain age in order to compare the hemisphere affected by the infarction with the other one. Although the brain age score was not sensitive enough to predict poststroke cognitive impairment, it was able to interpret stroke-related changes in the infarcted hemisphere as an acceleration in brain age 6 months avec the stroke.All these results show the interest that a transnosographic biomarker like brai nage score can have in the study of different neuropathologies.