STRATIFICATION BASÉE SUR L'APPRENTISSAGE EN PROFONDEUR DES PATIENTS ATTEINTS DE MALADIES NEURODÉGÉNÉRATIVES À PARTIR DE SIGNAUX ÉCOLOGIQUES MULTIMODAUX

DEEP-LEARNING BASED STRATIFICATION OF PATIENTS WITH NEURODEGENERATIVE DISEASES FROM MULTIMODAL ECOLOGICAL SIGNALS

• Auteur / Autrice : Changqing Gong
• Direction : Mounim El Yacoubi
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le 30/09/2023
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Télécom SudParis (Evry ; 2012-....)
• Partenaire(s) de recherche : Equipe de recherche : ARMEDIA

Mots clés

Mots clés libres

Deep Learning

Stratification

Signaux écologiques

Maladies neurodégénératives

Marqueurs numériques

Apprentissage non supervisé

Unsupervised Learning

Neurodegenerative Diseases

Ecological signals

Deep Learning

Stratification

Digital Markers

Résumé

Cette thèse de doctorat vise à développer des biomarqueurs numériques robustes d'apprentissage en profondeur pour les maladies neurologiques de stratification, à savoir Parkinson et Alzheimer, basés sur l'écriture manuscrite, la voix et la démarche. En considérant plusieurs visites annuelles ou semestrielles par exemple, l'objectif est d'analyser les trajectoires des marqueurs numériques extraits à chaque visite et de les exploiter de manière non supervisée pour découvrir des sous-groupes de patients, chaque sous-groupe étant associé à un schéma différent de la maladie. Cette stratification est essentielle pour les médecins car elle leur permettra d'envisager différentes thérapies pour différents sous-groupes. Notre proposition va au-delà de l'état actuel de l'art à plusieurs égards. Premièrement, il n'existe pratiquement aucune étude effectuant une stratification basée sur ces signaux biométriques, car l'état actuel de l'art est basé sur une stratification à partir de scores cliniques. Deuxièmement, nous effectuerons un apprentissage de la représentation des caractéristiques directement à partir des signaux bruts d'écriture, de voix et de démarche au lieu de caractéristiques artisanales. Pour remédier au manque de données d'entraînement suffisantes, nous étudierons des mécanismes d'apprentissage par transfert adaptés à partir de modèles entraînés sur de grands ensembles de données d'écriture, de voix et de démarche, utilisés pour d'autres tâches telles que l'identification de personnes. Enfin, pour valider notre étude, notre stratification basée sur des marqueurs numériques biométriques sera évaluée par rapport à la stratification basée sur la neuroimagerie et les scores cliniques.

This PhD thesis aims to develop robust deep-learning digital biomarkers for stratification neurological diseases, namely Parkinson and Alzheimer, based on handwriting, and voice and gait. Considering several annual or bi-annual visits for instance, the goal is to analyze the trajectories of digital markers extracted at each visit and leverage them in an unsupervised way to uncover subgroups of patients, each subgroup associated with different pattern of the disease. This stratification is key to the physicians as it will allow them to consider different therapies for different subgroups. Our proposal goes beyond current state of the art in several ways. First, there is basically no study performing stratification based on these biometric signals, as current state of the art is based on stratification from clinical scores. Second, we will perform feature representation learning directly from the raw handwriting, voice and gait signals instead of handcrafted features. To tackle the lack of sufficient training data, we will investigate adapted transfer learning mechanisms from models trained on large handwriting, voice and gait datasets, used for other tasks such as person identification. Finally, to validate our study, our stratification based on biometric digital markers will be assessed against stratification based Neuroimaging and clinical scores.