Apprentissage automatique et graphes pour l'étude de l'épilepsie :caractérisation des réseaux épileptogènes dynamiques

Machine learning and graphs for the study of epilepsy :characterisation of dynamic epileptogenic networks

• Auteur / Autrice : Elias Boulanger
• Direction : Pierre Borgnat, Romain Quentin
• Type : Projet de thèse
• Discipline(s) : Physique
• Date : Inscription en doctorat le 15/09/2025
• Etablissement(s) : Lyon, École normale supérieure
• Ecole(s) doctorale(s) : PHAST - Physique et Astrophysique
• Partenaire(s) de recherche : Laboratoire : LPENSL - Laboratoire de Physique de l'ENS

Mots clés

Mots clés libres

Epilepsie

Seeg

Meg

Zone Epileptogène

Réseaux de connectivité fonctionnelle

Apprentissage automatique

Epilepsy

Seeg

Meg

Epileptogenic Zone

Functional connectivity networks

Machine Learning

Résumé

L'épilepsie est une pathologie fréquente qui reste résistante aux traitements médicamenteux chez 30% des patients. Un enjeu majeur est d'identifier la zone épileptogène (ZE) permettant d'envisager sa possible résection chirurgicale, mais aussi plus généralement de caractériser la connectivité spatio-temporelle dans le cerveau des zones impliquées dans l'épilepsie. Dans le cadre du projet ANR SEIZURE, nous développons des méthodes d'apprentissage machine (ML) pour étudier cela à partir de mesures de magnétoencéphalographie (MEG), en s'appuyant aussi sur les approches analogues à partir des signaux de stéréoélectroencéphalographie (SEEG). La SEEG (ou iEEG) est l'enregistrement par des électrodes intra-craniennes de l'activité électrophysiologique locale. La MEG est l'enregistrement de l'activité magnétique associée à cette même activité électrophysiologique. Le projet de thèse est de caractériser l'activité et les événements (oscillations, pics, crises développées) qui se propagent dans les réseaux neuronaux dynamiques, en particulier ceux impliquant la ZE, et ainsi potentiellement de contribuer à la détermination de la ZE. Le point de départ est l'étude des connections fonctionnelles dans le cerveau qui peuvent s'organiser en réseaux épileptiques [1]. Il existe plusieurs approches pour déterminer la ZE [2] et des travaux récents s'appuient sur l'identification d'un réseau de connectivité épileptogène et/ou l'utilisation de machine learning sur des indicateurs construits ou appris, comme dans [3], [4], [5]. C'est ce qui a été fait à partir de données de SEEG et l'enjeu de la thèse est de voir ce qui peut s'adapter aux signaux de MEG qui sont pris eux en surface par une mesure non invasive, et doivent alors passer par une étape de localisation des sources pour avoir la mesure de l'activité dans le cerveau. [1] F. Bartolomei et al. “Defining epileptogenic networks : Contribution of SEEG and signal analysis” In : Epilepsia 58.7 pp. 1131–1147, 2017. [2] M. Zijlmans et al., “Changing concepts in presurgical assessment for epilepsy surgery,” Nature Reviews Neurology, vol. 15, 2019. [3] MAG Matarrese et al., “Spike propagation mapping reveals e!ective connectivity and predicts surgical outcome in epilepsy,” Brain, vol. 146, no. 9, pp. 3898–3912, 04 2023 [4] Wang et al. “Machine learning models trained in a low-dimensional latent space for epileptogenic zone (EZ) localiza- tion”. EUSIPCO 2024 [5] Fang et al. “Epilepsy lesion localization method based on brain function network” Frontiers in Human Neuroscience, 2024

Epilepsy is a common pathology that remains resistant to drug treatments in 30% of patients. A major challenge is to identify the epileptogenic zone (EZ) to consider its possible surgical resection, but also more generally to characterize the spatio-temporal connectivity in the brain of zones involved in epilepsy. Within the framework of the ANR SEIZURE project, we are developing machine learning (ML) methods to study this from magnetoencephalography (MEG) measurements, also relying on analogous approaches from stereoelectroencephalography (SEEG) signals. SEEG (or iEEG) is the recording of local electrophysiological activity using intracranial electrodes. MEG is the recording of magnetic activity associated with this same electrophysiological activity. The thesis project aims to characterize the activity and events (oscillations, spikes, developed seizures) that propagate in dynamic neural networks, particularly those involving the EZ, and thus potentially contribute to determining the EZ. The starting point is the study of functional connections in the brain that can organize into epileptic networks [1]. Several approaches exist to determine the EZ [2], and recent work relies on identifying an epileptogenic connectivity network and/or using machine learning on constructed or learned indicators, as in [3], [4], [5]. This has been done from SEEG data, and the challenge of the thesis is to see what can be adapted to MEG signals, which are taken at the surface through non-invasive measurement, and must then go through a source localization step to measure activity in the brain. [1] F. Bartolomei et al. “Defining epileptogenic networks : Contribution of SEEG and signal analysis” In : Epilepsia 58.7 pp. 1131–1147, 2017. [2] M. Zijlmans et al., “Changing concepts in presurgical assessment for epilepsy surgery,” Nature Reviews Neurology, vol. 15, 2019. [3] MAG Matarrese et al., “Spike propagation mapping reveals e!ective connectivity and predicts surgical outcome in epilepsy,” Brain, vol. 146, no. 9, pp. 3898–3912, 04 2023 [4] Wang et al. “Machine learning models trained in a low-dimensional latent space for epileptogenic zone (EZ) localiza- tion”. EUSIPCO 2024 [5] Fang et al. “Epilepsy lesion localization method based on brain function network” Frontiers in Human Neuroscience, 2024