AIDY : application de l'Intelligence Artificielle à la Dysmorphologie

AIDY : application of Artificial Intelligence to Dysmorphology

• Auteur / Autrice : Quentin Hennocq
• Direction : Roman Hossein Khonsari
• Type : Thèse de doctorat
• Discipline(s) : Technologies d'application médicale, diagnostiques, thérapies et santé publique
• Date : Soutenance le 13/12/2023
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : École doctorale Frontières de l'innovation en recherche et éducation (Paris ; 2006-....)
• Partenaire(s) de recherche : Laboratoire : Institut des Maladies Génétiques (Paris)
• Jury : Président / Présidente : Arnaud Picard
• Jury : Examinateurs / Examinatrices : Chloé Bertolus, Stanislas Lyonnet, Marjolaine Willems, Michael Suttie
• Jury : Rapporteurs / Rapporteuses : Peter Claes, Patrick Edery

Mots clés

Mots clés contrôlés

Syndromes cranio-faciaux

Intelligence artificielle en médecine

Apprentissage automatique

Mots clés libres

Apprentissage automatique

Intelligence Artificielle

Dysmorphologie

Maladies génétiques

Syndromes craniofaciaux

Diagnostic automatique

Next Generation Phenotyping

Computer vision

Machine learning

Artificial Intelligence

Dysmorphology

Genetic diseases

Craniofacial syndromes

Automatic diagnosis

Next Generation Phenotyping

Résumé

Contexte. Trente à quarante pourcents des 7000 maladies rares entraînent des anomalies crânio-faciales et certaines nécessitent l'œil expert d'un dysmorphologiste. Le diagnostic, dans cette discipline, est basé avant tout sur l'expérience du praticien. Pour cette raison, les publications scientifiques décrivant des méthodes de diagnostic automatique de ces maladies rares à partir de photographies 2D de visages se multiplient. Ces méthodes peuvent être regroupées sous le terme de Phénotypage Nouvelle Génération (PNG). Ce travail de thèse a pour objectif de décrire de décrire les performances d'un nouvel outil de PNG basé sur des photographies 2D de visages d'enfants, entraîné sur une base non publiée, de grande échelle, et d'une grande diversité d'âges, de genres et d'ethnies. Méthodes. Nous avons inclus les données photographiques des services de chirurgie maxillo-faciale et de génétique clinique de l'hôpital Necker Enfants Malades (Paris, France). Cette base comprend 594 000 photographies correspondant à 22 000 patients, suivis depuis 1981. L'écriture de ce travail repose sur la publication successive des différentes étapes de construction de ce nouvel outil. Tout d'abord, nous décrivons la première étape d'analyse des photographies, consistant 1) à détecter automatiquement nos régions d'intérêt, c'est-à-dire les visages de face, de profil et les oreilles externes ; et 2) à placer automatiquement une série de landmarks, ou points anatomiques repères sur ces régions. Puis, nous utilisons la combinaison de méthodes d'analyse de formes ou morphométrie géométrique, et une analyse de textures sur des zones clés du visage. Enfin, ces paramètres géométriques et texturaux permettent d'entraîner des modèles de machine learning basés sur le classificateur XGboost. Ces modèles ont alors été validés sur des données indépendantes du set d'entraînement, d'autres centres hospitaliers nationaux (Nantes, Lille, Montpellier) et internationaux (Londres, Bangkok). Trois grands types de résultats ont pu être obtenus à travers les différentes publications au cours de cette thèse de doctorat : 1) des performances diagnostiques concernant un ou plusieurs syndromes génétiques, 2) des corrélations phénotype - génotypes pour certains syndromes pour lesquels il existe plusieurs variations génétiques et 3) une analyse des effets d'un traitement chirurgical ou médicamenteux sur la morphologie faciale. Résultats. Notre méthode a permis l'obtention de différents résultats de performances croissantes après incorporation des différentes étapes. La détection de régions d'intérêt a été optimisée par un algorithme de type Faster R-Convolutional Neural Network (CNN). Le meilleur modèle de landmarking était le patch-based Active Appearance Model (AAM), permettant une détection de patients atteints du syndrome de Treacher Collins parmi des enfants contrôles non-syndromiques (p < 0.001). Nous avons ensuite pu entrainer un modèle de détection du syndrome de Guion Almeida (Mandibulofacial Dysostosis with Microcephaly, MFDM), basé sur une analyse par morphométrie géométrique de l'oreille externe, avec une précision de 0.969 [0.838 - 0.999] (p < 0.001) parmi des contrôles, et de 0.813 [0.544 - 0.960] (p = 0.003) parmi 3 diagnostics différentiels de cette affection. Ensuite, l'incorporation de l'analyse du visage de face et de profil, ainsi que l'analyse des textures, a permis le diagnostic des syndromes d'Apert, de Crouzon et de Pfeiffer avec des précisions respectives de 0.879 [0.718 - 0.966] (p < 0.001), 0.932 [0.813 - 0.986] (p < 0.001) et 1.000 [0.815 - 1.000] (p < 0.001). Conclusion. Nous avons pu construire un outil robuste de NGP, permettant une analyse automatisée du phénotype facial sur des photographies 2D d'enfants atteints de syndromes génétiques. Nous devons désormais étendre cet algorithme à la méthodologie aboutie et validée, à l'analyse du grand nombre de syndromes présents dans notre base de données.

Background. Thirty to 40% of the 7000 rare diseases present with craniofacial anomalies. Identifying these facial features requires the expert eye of dysmorphologist, and diagnosis in this field is based on experience. Hence, there have been a recent increase in the number of publications dedicated to the automatic diagnosis of rare conditions using facial photographs, an approach termed Next Generation Phenotyping (NGP). We aimed to evaluate the performances of a new NGP method on 2D photographs on an unprecedentedly large database, with a wide array of genetically proven syndromes, of various ages, genders and ethnicities. Methods. We included pictures from the photographic database of the maxillofacial surgery and plastic surgery department and from the medical genetics department of Hôpital Necker - Enfants Malades (AP-HP), Paris, France. This database contains 594,000 photographs from 22,000 patients followed in the department since 1981. The writing of this work is based on the different stages in the construction of this new tool. We first described the first stage in analyzing photographs: (1) automatically detecting regions of interest, i.e. front and profile faces and external ears; and (2) automatically placing a series of landmarks on these regions. We then used a combination of shape analysis methods, or geometric morphometrics, and texture analysis on key areas of the face. Finally, these geometric and textural parameters were used to train machine learning models based on a XGboost classifier. These models were validated on independent data, from other national (Nantes, Lille, Montpellier) and international (London, Bangkok) hospitals. Three main types of deliverables were obtained: (1) diagnostic performances for one or more genetic syndromes, (2) phenotype-genotype correlations for certain syndromes with multiple genetic variants, and (3) an analysis of the effects of surgery or drugs on facial morphology. Results. Object recognition was optimized with the Faster R-Convolutional Neural Network (CNN) based detector. The best landmarking model was the patch-based Active Appearance Model (AAM) and was able to significantly distinguish patients with Treacher Collins (TC) syndrome from control non-syndromic patients (p < 0.001). We were then able to train a detection model for Guion Almeida syndrome (Mandibulofacial Dysostosis with Microcephaly, MFDM), based on geometric morphometrics of the external ear, with an accuracy of 0.969 [0.838 - 0.999] (p < 0.001) among non-syndromic controls, and 0.813 [0.544 - 0.960] (p = 0.003) among 3 differential diagnoses of this condition. Then, the incorporation of frontal and profile facial analysis, as well as texture analysis, enabled the diagnosis of Apert, Crouzon and Pfeiffer syndromes with respective accuracies of 0.879 [0.718 - 0.966] (p < 0.001), 0.932 [0.813 - 0.986] (p < 0.001) and 1.000 [0.815 - 1.000] (p < 0.001). Conclusion. We were able to build a robust NGP tool, enabling automated analysis of the facial phenotype on 2D photographs of children with various genetic syndromes. We will now extend this algorithm, whose methodology has been completed and validated, to the analysis of the total number of syndromes in our database.