Traitement automatique de la parole et du langage pour un suivi personnalisé de la maladie de Huntington

Automatic speech and language processing for precision medicine in Huntington’s disease

• Auteur / Autrice : Rachid Riad
• Direction : Emmanuel Dupoux, Anne-Catherine Bachoud-Lévi
• Type : Projet de thèse
• Discipline(s) : Sciences cognitives, neurosciences, psychologie
• Date : Inscription en doctorat le ; Soutenance le 01/04/2022
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Lettres, Arts, Sciences humaines et sociales (Paris ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de sciences cognitives et psycholinguistique (1985-....)
• Partenaire(s) de recherche : établissement opérateur d'inscription : École normale supérieure (Paris ; 1985-....)
• Jury : Président / Présidente : Corinne Fredouille
• Jury : Examinateurs / Examinatrices : Emmanuel Dupoux, Emily Mower provost, Anne-Catherine Bachoud-lévi, Joaquim Ferreira, Anoopum Gupta
• Jury : Rapporteurs / Rapporteuses : Emily Mower provost

Mots clés

Mots clés libres

Apprentissage Machine

Diagnostic

Maladie de Huntington

Traitement du Signal

Langage

Signal Processing

Huntington's disease

Diagnostic

Language and Speech

Machine Learning

Résumé

Les maladies neurodégénératives sont un enjeu social majeur et une priorité de santé publique dans le monde entier. La maladie de Huntington (MH) est une maladie rare d'origine génétique qui provoque des troubles cognitifs, comportementaux et moteurs dus à des lésions cérébrales, notamment au niveau du striatum. Les personnes porteuses de la mutation génétique de la MH ont une phase pré-symptomatique de plusieurs décennies au cours de laquelle elles n'ont aucun trouble neurologique avant que la phase symptomatique n'apparaisse. Les symptômes de cette maladie ont de nombreuses implications dans le quotidien, avec une perte progressive d'autonomie jusqu'au décès du patient. Cela fait de la MH un modèle potentiel de maladies neurodégénératives qui pourrait conduire au développement de nouveaux outils de suivi clinique. Le suivi médical actuel pour la MH est onéreux et oblige le patient à se rendre régulièrement à l'hôpital, générant une charge humaine et financière importante. L'objectif de cette thèse est de développer et de valider de nouvelles méthodes computationnelles pour le suivi automatique des individus avec la MH, grâce à l'analyse de leurs productions langagières. En effet, la production du langage oral fait appel à diverses compétences cognitives, sociales et motrices, et sa réalisation est influencée par l'état mental et neurologique. Notre hypothèse est qu'à travers l'inspection de la parole et de son contenu nous pouvons évaluer ces différentes compétences et traits. À ce jour, l'analyse des troubles de la parole et du langage pour la MH n'est pratiquée que dans quelques services cliniques et équipes spécialisées, à petite échelle. De plus, la capacité des marqueurs issus du langage oral à prédire les différents symptômes de la MH n'a pas été explorée. Par conséquent, dans cette thèse, nous avons conçu une batterie complète de tâches qui testent plusieurs niveaux de production de la parole, ainsi qu'un protocole d'annotations complet qui reste analysable par un programme informatique. Cette batterie a été conçu pour obtenir un tableau clinique complet du langage parlé en MH, qui fait varier la cible linguistique, la charge cognitive, le contenu émotionnel, les sujets du discours. Pour accélérer le processus d'annotations, nous avons conçu et développé un logiciel open source pour gérer les campagnes d'annotations. Nous avons pu ainsi collecter la plus grande base de données de productions langagières, à ce jour, avec 125 entretiens annotés pour 3 groupes d'individus: des témoins sains, des individus porteurs du gène qui cause la MH mais sans symptômes cliniques et des individus symptomatiques avec la MH à différents stades. Par ailleurs, nous avons également formalisé et implémenté les voies de communication introduites par H. Clark, qui permettent d'analyser la parole dans des échanges spontanés. Ensuite, pour accélérer et automatiser les annotations, nous avons développé et validé des algorithmes d'apprentissage profond pour reconnaître les tours de parole lors des entretiens et reconnaître les voies de communication directement à partir de l'audio. Enfin, grâce à cette nouvelle base de données, nous avons évalué les capacités des marqueurs issus de la parole à prédire les différents symptômes de la MH. Nous avons notamment découvert que les marqueurs rythmiques et articulatoires, lors des tâches à charge cognitive plus élevée, pouvaient prédire les composantes globales, motrices, fonctionnelles et cognitives de la maladie et corrélaient avec le volume du striatum, la marque neurale de l'évolution de la maladie. Nous avons également proposé de nouvelles méthodologies pour examiner la production de la parole émotionnelle dans la MH. Nous avons ainsi découvert que les individus avec des symptoms cliniques de la MH ont à la fois des troubles vocaux et linguistiques lors de la production de la parole émotionnelle.

Neurodegenerative diseases are a major social issue and public health priority worldwide. Huntington Disease (HD) is a rare disease of genetic origin that causes cognitive, behavioural and motor disorders due to brain lesions, in particular in the striatum. People with the genetic mutation of HD have a pre-symptomatic phase of several decades during which they have no neurological disorder before the symptomatic phase occurs. The symptoms of this disease have many implications in the life activities of the patient, with a gradual loss of autonomy, until the death of the patient. This makes HD a potential model of neurodegenerative diseases that could lead to the development of new clinical monitoring tools. The current medical monitoring in HD is expensive and requires the patient to travel regularly to the hospital, generating a significant human and financial burden. The purpose of this thesis is to develop and validate new computational methods for automatically monitoring Huntington's Disease individuals, thanks to the analysis of their spoken language productions. Spoken language production invokes various cognitive, social and motor skills, and its realisation is influenced by the mental state of the individual. Our hypothesis is that through the inspection of the produced speech and its content we can assess these different skills and states. To this date, the analysis of spoken language disorders in HD is only performed in a few clinical departments and specialised research teams, at a small scale without classic clinical validation. In addition, the potential of spoken language markers to predict the different symptoms in HD have not been explored. Therefore in this thesis, we designed a comprehensive spoken language battery, along with a complete annotation protocol that is parsable by a computer program. This battery measures different parameters to obtain a wide clinical picture of spoken language in HD, that varies the linguistic target, the cognitive load, the emotional content, the topics and the materials of the discourse. To speed up the annotations protocol, we designed and developed open-source software to manage linguistic annotation campaigns. This allowed us to collect what is, to the best of our knowledge, the largest database of fine-grained annotated spoken language productions in HD, with 125 annotated interviews of 3 groups of individuals: healthy controls, premanifest individuals carrying the gene that causes HD and manifest HD at different stages. Besides, we also formalized and implemented the tracks of communication introduced by H. Clark, which allow analyzing the use of spoken language in spontaneous exchanges for HD individuals. Then, to speed up and automate the annotation process, we developed and validated machine learning methods to recognise turn-takings and identify these tracks of communication directly from speech. Finally, thanks to this new database, we assessed the capabilities of spoken language markers to predict the different symptoms in HD. We especially found out that rhythm and articulatory markers extracted from tasks with a cognitive load can predict accurately the global, motor, functional and cognitive components of the disease. We additionally found significant correlations between silence statistics and the volume of the striatum, the neuro-anatomical hallmark of the disease progress. In spontaneous productions, we found that the ratio of tracks of communication was different between HD individuals and other groups. The primary track was diminished, the timing ratio of secondary presentation (filled pauses) also decreased and the timing of incidental elements (ex: vocal noises, audible respiration) greatly increased. We also proposed new methodologies to examine the emotional speech production in HD. Finally, we found out that the manifest individuals with HD have both vocal and linguistic impairments during emotional speech production.