Apprentissage profond pour la prédiction des maladies neurologiques

Deep learning for the detection of neurological diseases

• Auteur / Autrice : Huy-Dung Nguyen
• Direction : Pierrick Coupe
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 08/11/2023
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale de mathématiques et informatique
• Partenaire(s) de recherche : Laboratoire : Laboratoire bordelais de recherche en informatique
• Jury : Président / Présidente : Aurélie Bugeau
• Jury : Examinateurs / Examinatrices : Gwenaëlle Catheline, Jean-François Mangin
• Jury : Rapporteurs / Rapporteuses : Louis Collins, Olivier Colliot

Mots clés

Mots clés contrôlés

Maladies neurologiques -- Diagnostic

Maladies neurologiques

Apprentissage profond

Mots clés libres

Apprentissage profond

Maladies neurologiques

Diagnostic de maladie

Deep learning

Neurological diseases

Disease diagnosis

Résumé

La détection des maladies neurologiques est cruciale pour améliorer la qualité de vie des patients et réduire la charge économique sur les systèmes de santé. De nos jours, l’Intelligence Artificielle (IA) joue un rôle essentiel dans l’analyse des données médicales, notamment l’Imagerie par Résonance Magnétique (IRM), qui est couramment utilisée pour diagnostiquer les maladies neurologiques. Ce type d’image est aujourd’hui produit à grande échelle, rendant l’analyse manuelle impossible. En conséquence, de nombreuses méthodes basées sur l’Apprentissage Profond (AP), la dernière et la plus puissante technique d’IA, ont été proposées pour la détection automatisée des maladies neurologiques à l’aide de données d’IRM. Cependant, les méthodes actuelles basées sur le DL présentent plusieurs limitations. Tout d’abord, les performances des méthodes actuelles basées sur l’AP restent limitées par rapport aux approches traditionnelles d’apprentissage automatique. Deuxièmement, la capacité de généralisation des méthodes d’AP sur des données externes reste un défi. Troisièmement, d’un point de vue clinique, ces méthodes manquent souvent du niveau de compréhension souhaité, ce qui limite leur utilité pratique dans les applications cliniques. Enfin, ces méthodes se concentrent généralement uniquement sur le diagnostic des maladies individuelles, limitant ainsi la compréhension des différences entre les maladies. En conséquence, l’objectif de ce doctorat était de surmonter ces limitations et de développer une nouvelle génération de méthodes de diagnostic des maladies démontrant une bonne performance, capacité de généralisation et compréhension dans divers scénarios cliniques, comprenant à la fois le diagnostic de maladies individuelles et de multiple maladies. Pour atteindre ces objectifs, un plan de recherche structuré a été conçu. La première étude a introduit un nouveau biomarqueur - appelé deep grading - pour le diagnostic et le pronostic précis de la maladie d’Alzheimer (AD). S’appuyant sur ce deep grading, la deuxième étude a étendu le biomarqueur pour permettre la discrimination entre les individus ayant une cognition normale (CN), l’AD et la démence frontotemporale (FTD). Dans cette optique, nous avons proposé un deep grading à canaux multiples capable de gérer la classification de plusieurs maladies. La troisième étude a proposé un nouveau biomarqueur - appelé brain structure ages - capable de traiter un grand nombre de pathologies en même temps. De plus, dans cette étude, nous avons abordé les défis liés à l’interprétabilité lors du traitement d’un plus grand nombre de maladies, en nous concentrant sur le diagnostic différentiel de la CN, de l’AD, de la FTD, de la sclérose en plaques (MS), de la maladie de Parkinson (PD) et de la schizophrénie (SZ) en tant qu’application de preuve de concept. Enfin, la quatrième étude a été menée pour explorer le potentiel des transformers pour le diagnostic de plusieurs maladies, qui ont récemment montré des résultats prometteurs dans diverses tâches de vision par ordinateur. Une comparaison entre nos méthodes de réseau de neurones convolutifs et de transformers a ensuite été effectuée selon différents critères, y compris la capacité de généralisation et la capacité de compréhension du modèle. Les méthodes développées ont été intégrées dans la plateforme VolBrain. VolBrain est un système en ligne d’imagerie volumétrique du cerveau par IRM pour mission d’aider les chercheurs du monde entier à obtenir automatiquement des informations volumétriques sur le cerveau à partir de leurs données d’IRM sans aucun effort.

The detection of neurological diseases is crucial for improving patients’ quality of life and reducing the economic burden on healthcare systems. Nowadays, Artificial Intelligence (AI) plays a vital role in the analysis of medical data, including Magnetic Resonance Imaging (MRI), which is commonly used for diagnosing neurological diseases. This type of image is today produced at large scale, making the manual analysis infeasible. Consequently, numerous Deep Learning (DL)-based methods, the latest and most powerful AI technique, have been proposed for automated detection of neurological diseases using MRI data. However, the current DL-based methods present several limitations. Firstly, the performance of current DL-based methods remains limited compared to traditional machine learning approaches. Secondly, the generalization capacity of DL methods on external data is still a challenge. Thirdly, from a clinical perspective, these methods often lack the desired level of understandability, which limits their practical utility in clinical applications. Lastly, these methods commonly focus solely on diagnosing single diseases, thereby limiting the comprehension of differences between diseases. Consequently, the objective of this PhD was to overcome these limitations and develop a new generation of methods for disease diagnosis that demonstrates high performance, generalizability and understandability in diverse clinical scenarios encompassing both single-disease and multi-disease diagnosis. To achieve these goals, a structured research plan was designed. The first study introduced a novel biomarker - called deep grading - for the accurate diagnosis and prognosis of Alzheimer’s Disease (AD). Building upon this deep grading, the second study extended the biomarker to enable the discrimination of Cognitively Normal (CN), AD and Frontotemporal Dementia (FTD). To this end, we proposed a multi-channel deep grading able to handle multi-disease classification. The third study proposed a novel biomarker - called brain structure ages - able to deal with a high number of pathologies at the same time. Moreover, in this study we addressed the interpretability challenges when dealing with a larger number of diseases, focusing on the differential diagnosis of CN, AD, FTD, Multiple Sclerosis (MS), Parkinson’s Disease (PD), and Schizophrenia (SZ) as a proof-of-concept application. Lastly, the fourth study was conducted to explore the potential of transformers for multi-disease diagnosis, which have recently shown promising results in various computer vision tasks. A comparison between our CNN and transformer methods was then carried out based on different criteria, including generalization capacity and model understanding capacity. The developed methods have been integrated in the VolBrain platform. VolBrain is an online open MRI brain volumetry system with the mission of helping researchers all over the world to obtain automatically volumetric brain information from their MRI data without effort.