Outils d'intelligence artificielle pour les entrepôts de données cliniques en neuroimagerie

Artificial intelligence tools for clinical data warehouses in neuroimaging

• Auteur / Autrice : Manon Heffernan
• Direction : Olivier Colliot, Ninon Burgos
• Type : Projet de thèse
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Inscription en doctorat le 01/10/2024
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : Institut du cerveau et de la moelle épinière

Mots clés

Mots clés libres

Imagerie médicale

Apprentissage profond

Analyse d'image

Contrôle de qualité

Entrepôt de données de santé

Détection d'anomalies

Medical imaging

Deep learning

Image analysis

Quality control

Clinical data warehouse

Anomaly detection

Résumé

Au cours de la dernière décennie, de grands entrepôts de données de santé (EDS) ont été créés, contenant les données médicales de millions de patients. L'EDS de l'AP-HP (Assistance Publique-Hôpitaux de Paris) rassemble des données provenant de plusieurs hôpitaux de la région parisienne, notamment des données cliniques, des diagnostics, des rapports médicaux et des données d'imagerie médicale. Les EDS offrent une opportunité unique pour les recherches médicales. Cependant, l'exploitation des EDS pour la recherche soulève des défis majeurs, parmi lesquels le contrôle de la qualité des données, les biais et la prise en compte de l'ensemble des troubles et conditions médicales possibles. L'objectif général de ce projet de thèse de doctorat est de développer des outils basés sur l'intelligence artificielle pour exploiter tout le potentiel des données de neuro-imagerie dans les EDS et de démontrer qu'ils peuvent être utilisés pour développer des systèmes de lecture assistée par IA fiables et impartiaux pour la neuroradiologie. Le premier objectif sera de construire des outils de contrôle de qualité (QC) basés sur l'IA pour différents types de séquences d'IRM, y compris l'imagerie pondérée en T2, l'imagerie pondérée en T2*, l'imagerie pondérée par la susceptibilité et l'imagerie pondérée par la diffusion. À cette fin, nous développerons de nouvelles approches basées sur l'apprentissage par transfert et la génération de données synthétiques en nous basant sur des travaux précédemment menés au sein du laboratoire sur l'imagerie pondérée en T1 (Loizillon et al, 2024) et l'imagerie FLAIR (Loizillon et al, 2023). Le second objectif sera de construire une preuve de concept d'un système de lecture assistée par l'IA pour la neuroradiologie. Pour cela, nous développerons une détection d'anomalies non supervisée pour aider à la détection des zones lésionnelles, en s'appuyant sur les travaux antérieurs de l'équipe (Loizillon et al, 2024), (Hassanaly et al, 2024) tout en explorant de nouvelles approches telles que les modèles de diffusion.

In recent years, very large-scale clinical data warehouses (CDWs) have been created containing the medical data of millions of patients. The AP-HP (Assistance Publique-Hôpitaux de Paris) CDW brings together data from multiple hospitals in the Paris region, including clinical data, diagnoses, medical reports and medical imaging data. CDWs provide fantastic opportunities to revolutionize digital healthcare. However, harnessing CDWs for research raises major challenges, among which controlling for data quality, biases and dealing with the full range of possible medical conditions and disorders. The general objective of this PhD thesis project is to develop AI-based tools to harness the full potential of neuroimaging data in CDWs and to demonstrate that they can be used to develop trustworthy and unbiased AI-assisted reading systems for neuroradiology. The first objective will be to build AI-based quality control (QC) tools for different types of MRI sequences, including T2-weighted, T2*-weighted, susceptibility-weighted imaging and diffusion-weighted imaging. To that purpose, we will develop new approaches based on transfer learning and synthetic data generation, building on work previously carried out in the laboratory on T1-weighted imaging (Loizillon et al, 2024) and FLAIR imaging (Loizillon et al, 2023). The second objective will be to build a proof-of-concept unbiased AI-assisted reading system for neuroradiology. To that purpose, we will develop unsupervised anomaly detection to help detect lesional areas, leveraging previous work from the team (Loizillon et al, 2024), (Hassanaly et al, 2024) while exploring new approaches such as diffusion models.