Élaboration de Modèles Intelligents à partir des Données d'Imagerie Scanner de Patients sous Traitement au Benralizumab

Development of Intelligent Models Using CT Imaging Data from Patients Treated with Benralizumab

• Auteur / Autrice : Marie-Félicia Beclin
• Direction : Pierre Lafaye de michaux
• Type : Projet de thèse
• Discipline(s) : Biostatistique
• Date : Inscription en doctorat le ; Soutenance le 05/12/2024
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : IDESP - Institut Desbrest d’Epidemiologie et de Sante Publique
• Jury : Président / Présidente : Arnaud Bourdin
• Jury : Examinateurs / Examinatrices : Pierre Lafaye de michaux, Nicolas Molinari, Virginie Rondeau, Hengartner Nicolas, Rosanna Verde
• Jury : Rapporteurs / Rapporteuses : Hengartner Nicolas, Rosanna Verde

Mots clés

Mots clés libres

Statistiques

Régression distribution-sur-distribution

Traitement d'image

Parametric response map

3D Ct-scan

Asthme

Statisitcs

Distribution-on-distribution regression

Image processing

Parametric response map

3D Ct-scan

Asthma

Résumé

Nous nous intéressons à l’évaluation de l'efficacité du Benralizumab, un médicament utilisé pour traiter l'asthme, en analysant des scans tomographiques capturés lors de l'expiration et de l'inspiration, avant et après un an de traitement. L'hypothèse médicale sous-jacente est que les patients ayant bénéficié du traitement montreront des améliorations visibles sur les scans thoraciques en expiration post-traitement. Cela signifie concrètement que le patient expirera mieux. Cette amélioration se manifeste par des valeurs plus élevées en unités Hounsfield, avec un déplacement vers la droite de l'histogramme des images post-traitement par rapport à celui des images pré-traitement. Irpino et Verde (2015) ont proposé une extension de la régression linéaire classique, appliquée cette fois aux fonctions quantiles plutôt qu'aux observations réelles. Nous avons généralisé cette approche en dérivant les lois des estimateurs des paramètres du modèle par une méthode de maximum de vraisemblance. À partir de l’espace des fonctions quantiles, nous définissons des polynômes de quantiles avant de nous concentrer sur le cas particulier de la régression linéaire, et formulons explicitement les estimateurs obtenus par maximum de vraisemblance. Nous proposons également des estimateurs ainsi que des intervalles de confiance. Ce modèle a été implémenté en Python et appliqué à un jeu de données réel comprenant 44 patients traités par Benralizumab. Bien que cette approche présente certains avantages, notamment sa simplicité et son adéquation aux besoins des praticiens, elle présente des limites. Parmi celles-ci figurent la perte d'informations spatiales et l'hypothèse de relations linéaires entre les distributions de voxels. Des travaux supplémentaires seront nécessaires pour développer une méthode de régression plus robuste et généralisable, comme celles proposées par Chen et al. (2023) ou Ghodrati et al. (2022). Cependant, notre méthode a l'avantage d'être facile à mettre en œuvre et d'offrir une interprétation clinique claire. Nous avons également exploré la régression de Fréchet (Petersen et al., 2019), qui permet de modéliser des objets dans un espace métrique en fonction de covariables cliniques. Nous proposons une méthode de quantification de l'importance des covariables dans le modèle, que nous avons appliquée à notre jeu de données sur les histogrammes d’expiration avant traitement. Cette démarche a motivé une extension du modèle Histogreg en y intégrant des covariables cliniques. Par ailleurs, le recalage des images d'inspiration et d'expiration (Galban et al., 2012) permet une correspondance voxel par voxel, ouvrant ainsi la voie à une généralisation de l'approche initiale. En effet, cela permet de calculer la distribution bivariée inspiration-expiration. Ces histogrammes contiennent plus d'informations, car ils offrent un aperçu de la distribution conjointe en inspiration et en expiration. Grâce à la parametric response map (PRM), nous pouvons quantifier le volume pulmonaire affecté par l'asthme chez chaque patient. Ces données de PRM se sont révélées être de meilleurs prédicteurs de la réponse au traitement que les biomarqueurs biologiques classiques. Ainsi, il serait pertinent d'explorer la régression distribution-sur-distribution dans le contexte des distributions multivariées. Les perspectives futures incluent la prédiction d'histogrammes 2D après traitement à partir des histogrammes correspondants pré-traitement et des covariables cliniques du patient.

We are focused on evaluating the effectiveness of Benralizumab, a drug used to treat asthma, by analyzing tomographic scans taken during expiration and inspiration, before and after one year of treatment. The underlying medical hypothesis is that patients who have benefited from the treatment show visible improvements in the thoracic scans taken during expiration post-treatment. This means that the patient exhales more efficiently, leading to a more effective emptying of the lungs. This improvement is reflected by higher Hounsfield unit values, with a rightward shift in the post-treatment histogram compared to the pre-treatment histogram. Irpino and Verde (2015) proposed an extension of classical linear regression, applied to quantile functions rather than to real observations. We generalize this approach by deriving the estimation laws of the model parameters using a maximum likelihood method. Starting from the space $S_Q$ of quantile functions, we define quantile polynomials before focusing on the specific case of linear regression and explicitly formulating the maximum likelihood estimators. We also propose estimators and confidence intervals. This model was implemented in Python and applied to a real dataset comprising 44 patients treated with Benralizumab. Although this approach offers certain advantages, particularly its simplicity and alignment with the needs of practitioners, it also has limitations. These include the loss of spatial information and the assumption of linear relationships between voxel distributions. Further work is needed to develop a more robust and generalizable regression method, such as those proposed by Chen et al. (2023) or Ghodrati et al. (2022). However, our method retains the advantage of being easy to implement and providing a clear clinical interpretation. We also explore Fréchet regression (Petersen et al., 2019), which allows for the modeling of objects in a metric space based on clinical covariates. We propose a method to quantify the importance of covariates in the model, which we applied to our dataset on expiration histograms before treatment. This approach motivates an extension of the Histogreg model by incorporating clinical covariates. Moreover, the registration of inspiration and expiration images (Galban et al., 2012) allows for voxel-by-voxel correspondence, paving the way for a generalization of the initial approach. Specifically, it allows for the calculation of the bivariate inspiration-expiration distribution. These histograms contain more information as they provide insight into the joint distribution during inspiration and expiration. Using the parametric response map (PRM), we can quantify the lung volume affected by asthma in each patient. These PRM data have proven to be better predictors of treatment response than the more commonly used biological biomarkers. Therefore, it would be relevant to explore distribution-to-distribution regression in the context of multivariate distributions. Future work includes predicting 2D histograms post-treatment from the corresponding pre-treatment histograms and the patient's clinical covariates.