Utilisation de l'intelligence artificielle pour l'aide au diagnostic des patients atteints de pathologies neuro dégénératives

National audienceArtificial intelligence has experienced a boom since the 2000s due to the systematic storage of data and the increase in the computing power of computers as well as the emergence of so-called deep learning methods. This made it possible to envisage research and applications in many fields and in particular the medical field. Neurodegenerative pathologies have plagued society since their more frequent appearances following increased life expectancy. Their diagnoses are becoming a major issue in neuroimaging, in particular in the early stages of pathologies. Indeed, an early diagnosis makes it possible to apply treatment as quickly as possible and to limit the consequences for patients, as well as to better understand the mechanisms of development of these pathologies and their appearance. The development of a deep learning pipeline applied to neurodegenerative pathologies would make it possible to consider diagnostic aid tools in clinical routines, based on the most advanced artificial intelligence methods. This thesis work shows that it is possible to use a deep learning pipeline both to discriminate pathologic patients from healthy subjects, but also to perform an analysis of the discriminating powers of biomarkers derived from MRI. They demonstrate how to obtain a spatial signature of the pathology studied, while using a data set compatible with a clinical routine. The neurodegenerative pathology studied is multisystem atrophy, a rare disease with little patient data, for which deep learning nevertheless reaches a good diagnosis. This work could be extended to other degenerative pathologies, both for the diagnosis and the follow-up of patients, but also for the understanding of these pathologies.L'intelligence artificielle connait un boom depuis les années 2000 de par le stockage systématique des données et l'augmentation de la puissance de calcul des ordinateurs ainsi que l'apparition des méthodes dites de deep learning. Cela a permis d'envisager des recherches et applications dans de nombreux domaines, et en particulier le domaine médical. Les pathologies neurodégénératives sont des fléaux pour la société depuis leurs apparitions plus fréquentes suite à l'augmentation de l'espérance de vie. Leurs diagnostics deviennent un enjeu majeur de la neuro imagerie, en particulier sur les stades précoces des pathologies. En effet, un diagnostic précoce permet d'appliquer au plus vite un traitement et de limiter les conséquences pour les patients, ainsi que de mieux comprendre les mécanismes de développement de ces pathologies et leur apparition. Le développement d'un pipeline de deep learning appliqué aux pathologies neurodégénératives permettrait d'envisager des outils d'aide au diagnostic dans les routines cliniques, basés sur les méthodes d'intelligence artificielle les plus avancées. Ces travaux de thèse montrent qu'il est possible d'utiliser un pipeline d'apprentissage profond à la fois pour discriminer les patients pathologiques des sujets sains, mais aussi pour effectuer une analyse des pouvoirs discriminants des biomarqueurs dérivés de l'IRM. Ils démontrent comment obtenir une signature spatiale de la pathologie étudiée, tout en utilisant un jeu de données compatible avec une routine clinique. La pathologie neurodégénérative étudiée est l'atrophie multi systématisée, maladie rare avec peu donnée de patients, pour laquelle le deep learning parvient néanmoins à un bon diagnostic. Ces travaux pourraient être étendus à d'autres pathologies dégénératives, à la fois pour le diagnostic et le suivi des patients, mais aussi pour la compréhension de ces pathologies