Apport de l’intelligence artificielle et de l’imagerie médicale dans la prédiction des performances auditives après implantation cochléaire

Artificial intelligence and medical imaging for predicting hearing outcomes after cochlear implantation

• Auteur / Autrice : Raphaële Quatre
• Direction : Sébastien Schmerber, Arnaud Attayé
• Type : Thèse de doctorat
• Discipline(s) : Modèles, méthodes et algorithmes en biologie, santé et environnement
• Date : Soutenance le 12/12/2025
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale ingénierie pour la santé, la cognition, l'environnement
• Partenaire(s) de recherche : Laboratoire : Braintech Inserm U1205
• Jury : Président / Présidente : Pascal Senn
• Jury : Examinateurs / Examinatrices : Philippe Cinquin, Elena Moro
• Jury : Rapporteurs / Rapporteuses : Paul Avan, Christophe Vincent
• DOI : 10.70675/98dc1f09z0ec0z4777zb0f8zb8053308285c

Mots clés

Mots clés libres

Irm

Surdité

Implant cochléaire

Intelligence Artificielle

Hearing impairment

Mri

Cochlear implant

Artificial Intelligency

Résumé

La surdité est un facteur de risque reconnu de déclin cognitif et de démence, pouvant être partiellement réversible par la réhabilitation auditive. Dans ce travail de thèse, nous avons exploré, au sein de cohortes prospectives, l’apport de l’intelligence artificielle (IA) appliquée à l’IRM cérébrale pour affiner l’évaluation de l’état cérébral chez des patients candidats à une implantation cochléaire.Dans une première étape, nous avons confirmé la valeur pronostique de nouvelles techniques d’imagerie, telles que l’imagerie pondérée en diffusion et la segmentation scanographique de l’oreille, dans la prédiction des performances auditives après implantation cochléaire.Dans une seconde étape, nous avons développé une approche basée sur la génération d’un « jumeau numérique » issu d’IRM pondérées T1 en écho de gradient, permettant d’estimer l’âge cérébral physiologique des patients et de le comparer à leur âge chronologique. Soixante-neuf patients ont été inclus dans cette étude avec un écart moyen entre ces deux mesures (Brain age gap, BAG) de 5.86 ans. Nous avons ainsi mis en évidence un vieillissement cérébral accéléré dans cette population, suggérant une vulnérabilité accrue aux maladies neurodégénératives.Enfin, nous avons combiné imagerie cérébrale et biomarqueurs du liquide céphalorachidien (tau, p-tau, Aß42, ratio p-tau181/Aß42) dans un modèle prédictif des performances après implantation cochléaire. Notre méthodologie associait l’IRM cérébrale à des algorithmes d’IA entraînés sur des jeux de données intégrant à la fois les caractéristiques IRM et les biomarqueurs du LCR obtenus par ponction lombaire, dans le but d’estimer les concentrations des protéines cibles à partir de l’IRM structurelle seule. Soixante-huit patients ont été inclus avec 64 présentant une IRM interprétable en IA. Les patients présentant de faibles performances auditives à un an de l’implantation cochléaire avaient des taux significativement plus bas d’Aß42 dans le LCR alors que les concentrations moyennes de tau, p-tau181, Aβ42, et du ratio p-tau181/Aβ42 se situaient dans les valeurs normales, indiquant l’absence de maladie d’Alzheimer dans cette population. L’ensemble suggérait un dépôt amyloïde cérébral délétère au niveau des voies auditives centrales, compromettant le substrat neuronal requis pour une adaptation optimale aux implants cochléaires, même en l’absence de maladie d’Alzheimer avérée.Ces travaux ouvrent la voie à une personnalisation accrue de la prise en charge, en intégrant imagerie associée à l’IA dans la prédiction des résultats de l’implant cochléaire.

Hearing loss is a well-recognized risk factor for cognitive decline and dementia, which may be partially reversible through auditory rehabilitation. In this doctoral work, we investigated, within prospective cohorts, the contribution of artificial intelligence (AI) applied to brain MRI to refine the assessment of brain status in patients eligible for cochlear implantation.In a first step, we confirmed the prognostic value of advanced imaging techniques, such as diffusion-weighted imaging and CT-based segmentation of the ear, in predicting auditory performance after cochlear implantation.In a second step, we developed an approach based on the generation of a “digital twin” derived from T1-weighted gradient-echo MRI, allowing us to estimate patients’ physiological brain age and compare it with their chronological age. Sixty-nine patients were included in this study, with a mean brain age gap between these two measures of 5.86 years. This finding highlighted an accelerated brain aging process in this population, suggesting an increased vulnerability to neurodegenerative diseases.Finally, we combined brain imaging with cerebrospinal fluid (CSF) biomarkers (tau, p-tau, Aβ42, p-tau181/Aβ42 ratio) into a predictive model of cochlear implant outcomes. Our methodology integrated brain MRI with AI algorithms trained on datasets including both MRI features and CSF biomarkers obtained by lumbar puncture, with the aim of estimating target protein concentrations from structural MRI alone. Sixty-eight patients were included, of whom 64 had MRI scans interpretable by AI. Patients with poorer auditory outcomes one year after cochlear implantation exhibited significantly lower CSF Aβ42 levels, whereas mean concentrations of tau, p-tau181, Aβ42, and the p-tau181/Aβ42 ratio remained within the normal range, indicating the absence of Alzheimer’s disease in this population. These results suggest a deleterious cerebral amyloid deposition within central auditory pathways, compromising the neuronal substrate required for optimal adaptation to cochlear implants, even in the absence of overt Alzheimer’s disease.This work paves the way for more personalized management strategies by integrating AI-assisted imaging into the prediction of cochlear implant outcomes.