Description : 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.;
Pays