Développement de méthodes de diagnostic et de pronostic de maladies neurodégénératives à l'aide de réseaux de neurones par graphe normatifs et explicatifs.

Development of diagnostic and prognostic methods for neurodegenerative diseases using normative and explanatory graph neural networks.

• Auteur / Autrice : Baptiste Pierrard
• Direction : Michaël Sdika, Pierre-marc Jodoin
• Type : Projet de thèse
• Discipline(s) : Traitement du signal et de l'image
• Date : Inscription en doctorat le 02/09/2024
• Etablissement(s) : Lyon, INSA en cotutelle avec Université de Sherbrooke
• Ecole(s) doctorale(s) : EEA - Electronique, Electrotechnique, Automatique de Lyon
• Partenaire(s) de recherche : Laboratoire : CREATIS - Centre de Recherche en Acquisition et Traitement de l'Image pour la Santé
• Partenaire(s) de recherche : Equipe de recherche : MYRIAD: Analyse et modélisation pour l'imagerie médicale

Mots clés

Mots clés libres

Réseaux de neurones

Explicabilité

Graphes

Diagnostic

Neural networks

Explicability

Graphs

Diagnostic

Résumé

Domaine et contexte scientifiques : Le diagnostic assisté par ordinateur à pour objectif de réduire les erreurs humaines et de fournir des résultats cohérents et reproductibles, améliorant ainsi la qualité globale des soins dans le domaine de la neurologie grâce, par exemple, à une détection plus précoce des troubles cérébraux et à des diagnostics plus précis. Cependant, le développement d'un outil de diagnostic assisté par ordinateur performant peut se heurter à plusieurs difficultés. Il faut notamment disposer d'une grande base de données suffisamment diverse pour entraîner efficacement les algorithmes d'IA et garantir la précision et la fiabilité de l'outil dans des contextes cliniques réels. Dans un domaine critique comme la santé, la décision d'un tel outil doit également pouvoir être expliquée afin d'assurer la transparence et la confiance dans le système. Objectifs de la thèse : L'objectif pour ce projet est de mettre sur pied un modèle de diagnostic des pathologies cérébrales à partir de données multimodales IRM et cliniques. Le modèle sera générique et pourra donc être appliqué au diagnostic de différentes pathologies cérébrales (sclérose en plaques, Alzheimer, commotions cérébrales, ...). Le modèle devra aussi à la fois être explicable et interprétable. Pour cela, nous développerons des approches par graphes permettant de décomposer le problème afin de pouvoir mieux l'expliquer. L'apprentissage du réseau de neurone nécessitera la mise en place d'une grande base de données normatives issue de l'agrégation de différentes bases d'ores et déjà à notre disposition. Programme de recherche et démarche scientifique proposée : La thèse porte sur le développement de techniques d'apprentissage appliquées au diagnostic et au pronostic de maladies cérébrales comme l'Alzheimer, la sclérose en plaques et les commotions cérébrales. Le(s) modèle(s) développé(s) devant posséder les caractéristiques suivantes : 1. être suffisamment générique pour s'adapter à différentes maladies ; 2. pouvoir incorporer autant des données médicales tabulaires (âge, sexe, antécédents médicaux, tests cognitifs, etc.) que des images ; 3. effectuer des prédictions facilement interprétables par un expert (donc éviter l'effet “boîte noire” des réseaux de neurones modernes) ; 4. s'appuyer sur des bases de données normatives. Pour ce faire, des images par résonance magnétique de diffusion acquises chez plus de 40,000 sujets souffrant (ou non) d'une maladie cérébrale seront utilisées. À l'aide d'un algorithme d'harmonisation opérationnel du nom de ClinicalCombat développé à l'Université de Sherbrooke, la personne doctorante devra construire une base de données de référence harmonisée contenant des métriques de diffusion mesurées dans 30 à 40 régions de la matière blanche. Par la suite, à l'aide de réseaux de neurones par graphe et du dropout variationnel, il faudra élaborer une méthode permettant de sélectionner un nombre limité de régions et de métriques de diffusion caractéristiques d'une maladie. Pour ce graphe, chaque région du cerveau est un nœud dont le vecteur de caractéristiques est constitué des données de diffusion normalisées et le nœud général est constitué d'un vecteur de données médicales. La personne doctorante devra également explorer la possibilité d'apprendre le poids des connexions entre les régions du cerveau afin de mieux comprendre leur interaction. Les données utilisées pour ce projet proviennent de nombreuses bases de données comme ADNI (Alzheimer), PPMI (Parkinson), MyeloInferno (Sclérose en plaques), UkBiobank (sujets sains), CAMCAN (sujets sains), NIMH (sujets sains), TractTBI (commotions cérébrales), MRN (Schizophrenie), et Panthéra (sujets sains). Les données de diffusion ont déjà été traitées et un module d'assurance qualité a été utilisé pour retirer les résultats erronés. À noter que divers intervenants en santé du Centre Hospitalier Universitaires de Sherbrooke et de Montréal seront également impliqués.

Scientific field and context: The aim of computer-aided diagnosis is to reduce human error and provide consistent, reproducible results, thereby improving the overall quality of care in the field of neurology through, for example, earlier detection of brain disorders and more accurate diagnoses. However, the development of a high-performance computer-aided diagnostic tool can come up against a number of difficulties. In particular, a large and sufficiently diverse database is required to effectively train the AI algorithms and guarantee the accuracy and reliability of the tool in real clinical contexts. In a critical area such as healthcare, it must also be possible to explain the decision in order to ensure transparency and confidence in the system. Objectives of the thesis: The aim of this project is to develop a model for diagnosing brain pathologies using multimodal MRI and clinical data. The model will be generic and can therefore be applied to the diagnosis of various brain pathologies (multiple sclerosis, Alzheimer's, concussions, etc.). The model will also have to be both explainable and interpretable. To achieve this, we will be developing graph-based approaches to break down the problem in order to explain it better. Training the neural network will require the creation of a large normative database based on the aggregation of various databases already available to us. Research programme and proposed scientific approach: The thesis focuses on the development of learning techniques applied to the diagnosis and prognosis of brain diseases such as Alzheimer's, multiple sclerosis and concussion. The developed model(s) must have the following characteristics: 1. be sufficiently generic to be adapted to different diseases; 2. be able to incorporate both tabular medical data (age, sex, medical history, cognitive tests, etc.) and images; 3. make predictions that can be easily interpreted by an expert (thus avoiding the 'black box' effect of modern neural networks); 4. rely on normative databases. To this end, diffusion magnetic resonance images acquired from more than 40,000 subjects suffering (or not) from a cerebral disease will be used. Using an operational harmonisation algorithm called ClinicalCombat developed at the Université de Sherbrooke, the doctoral student will build a harmonised reference database containing diffusion metrics measured in 30 to 40 white matter regions. Then, using graph-based neural networks and variational dropout, a method will have to be developed for selecting a limited number of regions and diffusion metrics characteristic of a disease. For this graph, each brain region is a node whose feature vector is made up of normalized diffusion data and the general node is made up of a vector of medical data. The PhD student will also explore the possibility of learning the weight of connections between brain regions in order to better understand their interaction. The data used for this project comes from numerous databases such as ADNI (Alzheimer's), PPMI (Parkinson's), MyeloInferno (Multiple Sclerosis), UkBiobank (healthy subjects), CAMCAN (healthy subjects), NIMH (healthy subjects), TractTBI (concussions), MRN (Schizophrenia), and Panthera (healthy subjects). The dissemination data has already been processed and a quality assurance module has been used to remove any erroneous results. Various health professionals from the Centre Hospitalier Universitaires de Sherbrooke and the Centre Hospitalier Universitaire de Montréal will also be involved.