Prediction of lesional and clinical outcome of stroke using machine learning
Prédiction de l’issue lésionnelle et clinique de l’accident vasculaire cérébral par approche d’intelligence artificielle
Résumé
Ischemic stroke is the leading cause of acquired disability and the third leading cause of death in industrialized countries. Predicting the lesion evolution observed in the acute phase is a clinical challenge. This question is currently being addressed using magnetic resonance imaging (MRI). Two modalities are mainly used : diffusion imaging which shows the extent of cytotoxic edema and dynamic perfusion imaging which shows the hemodynamic state of the tissues. Diffusion MRI is known to be the image with the greatest predictive potential for detecting the area of irreversible infarct. An open question is the contribution of acute perfusion MRI to achieve this prediction. Several machine learning approaches have been tested and turned out to be effective, but results show that the problem is far from being resolved : the prediction task remains complex, since visible lesions in the acute phase may change up to a month later.The thesis is organized around the following two questions : (1) what is the value of perfusion imaging for ischemic stroke prediction ? (2) how to merge perfusion and diffusion MRI within a machine learning model ?The first part of the thesis answers question (1) in two sub-parts : in a first sub-part, we will demonstrate the advantage of learning directly from raw perfusion imaging rather than on extracted parametric maps. We will then discuss different methods for encoding raw perfusion, and different models capable of extracting its relevant information to predict the final infarct. These first experiences will also allow us to understand which determining physiological factors impact the learning process. In a second sub-section, we will propose to train models on simulated raw perfusion data, and to test them on real data. This simulated data comes from a published physical simulator, to which we will suggest improvements. In a second step, to answer question (2), we will propose models with different data fusion strategies. Firstly, we will propose for the prediction task a naive Bayes model that merges lately the different input modalities. In a second step, we will explore in more depth a neural network model that merges lately the input modalities. Through this neural network, we will discuss the impact of the homogeneity in the training dataset : in particular, physiological parameters allowing its stratification ; Finally, we will aim for a model explicability by detailing its prediction failures associated with the complex course of the disease. More specifically, we will focus on acute diffusion lesion reversal, a recurrent cause of prediction failure. As an opening, we will study the possibility of predicting patient clinical state after stroke by integrating data related to the “chronic” phase of the disease. With the emergence of the Internet of Things (IoT), more and more people have a smartphone and connected objects relaying information on someone activity and physiology. We will explore how these new sensors can ensure better follow-up and support for patients after stroke, during their rehabilitation
L'accident vasculaire cérébral (AVC) ischémique constitue la première cause de handicap acquis et la troisième cause de décès dans les pays industrialisés. La prédiction de l'évolution des lésions observées en phase aiguë est un challenge clinique. Actuellement, cette question est abordée au moyen de l'imagerie par résonance magnétique (IRM). Deux modalités sont principalement utilisées : l'imagerie de diffusion qui montre l'étendue de l'œdème cytotoxique et l'imagerie dynamique de perfusion qui donne accès à l'état hémodynamique des tissus. L'imagerie de diffusion est connue pour être l'imagerie qui porte le potentiel prédictif le plus important pour détecter la zone d'infarctus irréversible. Une question ouverte est l'apport de l'imagerie de perfusion en phase aiguë pour réaliser cette prédiction. Plusieurs approches d'apprentissage automatique ont été testées et se sont avérées efficaces, mais les résultats témoignent que le problème est loin d'être résolu: la tâche de prédiction demeure complexe, dans la mesure où la lésion visible en phase aiguë évolue jusqu'à un mois après. La thèse s'articule autour des deux questions suivantes : (1) quel est la valeur de l'imagerie de perfusion pour la prédiction de l'AVC ischémique ? (2) comment fusionner l'imagerie de perfusion et de diffusion au sein de modèle d'apprentissage ? La première partie de la thèse répond à la question (1) en deux sous-parties : dans une première sous-partie, on démontrera l'intérêt d'apprendre directement sur l'imagerie de perfusion brute plutôt que sur des cartes paramétriques extraites. On discutera alors de différentes méthodes d'encodage de la perfusion brute, et de différents modèles capables d'en extraire les informations pertinentes pour prédire l'infarctus final. Ces premières expériences nous permettront aussi de comprendre quels sont les facteurs physiologiques déterminant qui semblent impacter l'apprentissage dans les différents modèles proposés. Dans une deuxième sous-partie, on proposera d'apprendre des modèles sur des données de perfusion brute simulées, et de les tester sur des données réelles. Ces données simulées sont issues d'un simulateur physique déjà publié, auquel nous proposerons des améliorations. Dans un deuxième temps, pour répondre à la question (2), on proposera des modèles présentant différentes stratégies de fusion de données. Dans un premier temps, on proposera pour la tâche de prédiction un modèle bayésien naïf fusionnant tardivement les différentes modalités d'entrée. Dans un second temps, on explorera de manière plus approfondie un modèle de réseau de neurones fusionnant tardivement les modalités d'entrée. Au travers de ce réseau de neurones, on discutera de l'impact de l'homogénéité de jeux d'apprentissage et notamment des paramètres physiologiques permettant cette stratification ; enfin on visera une explicabilité du modèle en détaillant ses échecs de prédictions lié à la complexité de la course naturelle de la maladie. Plus spécifiquement, on s'attardera sur l'étude de la réversion de la lésion aiguë de diffusion, une cause classique et récurrente d'échec de prédiction. Comme ouverture, on s'intéressera à la possibilité de prédire l'état clinique des patients après un AVC en intégrant des données en lien avec la phase « chronique » de la maladie. Avec l'émergence de l'internet des objets (IoT), de plus en plus de personnes sont équipées d'un smartphone et d'objets connectés remontant des informations sur l'activité de la personne voir sur sa physiologie. On étudiera de manière exploratoire comment ces nouveaux capteurs peuvent assurer un meilleur suivi et accompagnement des patients après un AVC, pendant leur rééducation
Origine : Version validée par le jury (STAR)