Diagnostic de la maladie d'Alzheimer dans un contexte différentiel avec l'EEG

Alzheimer's Disease diagnosis in a differential context with EEG

• Auteur / Autrice : Maxime Bedoin
• Direction : Jérome Boudy
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le 03/10/2022
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : SAMOVAR - Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux
• Partenaire(s) de recherche : Equipe de recherche : ARMEDIA

Mots clés

Mots clés libres

Alzheimer

Eeg

Apprentissage automatique

Alzheimer's

Eeg

Machine learning

Résumé

L'intelligence artificielle (IA) et l'apprentissage automatique (ML) remodèlent le paysage de la santé ; le domaine de la neurologie ne fait pas exception à cette tendance croissante. En appliquant des techniques d'IA et de ML sur des signaux neurophysiologiques, nous visons à fournir des biomarqueurs numériques permettant le diagnostic, la surveillance, le pronostic et la prédiction de traitement des maladies. Cette thèse porte sur l'analyse des signaux d'électroencéphalographie (EEG) avec des techniques d'IA pour le diagnostic et le suivi des troubles cérébraux dus à la maladie d'Alzheimer (MA). En associant des méthodes avancées d'analyse de données, y compris des méthodes d'apprentissage supervisé et non-supervisé, à une expertise clinique, nous visons à identifier des biomarqueurs EEG numériques significatifs, corrélés à la progression vers la MA. Nous considérerons les réseaux de graphes décrivant la connectivité fonctionnelle comme entrées des modèles, en tirant parti des résultats de nos travaux précédents.

Artificial intelligence (AI) and machine learning (ML) are reshaping the healthcare landscape; The field of neurology is no exception to this growing trend. By applying AI and ML techniques on neurophysiological signals, we aim to provide digital biomarkers enabling disease diagnosis, monitoring, prognosis and treatment prediction. This thesis focuses on the analysis of electroencephalography (EEG) signals with AI techniques for the diagnosis and monitoring of brain disorders due to Alzheimer's disease (AD). By combining advanced data analysis methods, including supervised and unsupervised learning methods, with clinical expertise, we aim to identify meaningful digital EEG biomarkers correlated with progression to AD. We will consider graph networks describing functional connectivity as inputs to the models, leveraging the results of our previous work.