Modèle pronostique par IA de l'état de conscience des patients cérébrolésés en phase aigüe combinant des données d'imagerie et des données cliniques

Mots-clés : apprentissage machine, fusion de données hétérogènes, apprentissage sur graphe de population, modèle pronostique, neuroimagerie

Les troubles de la conscience (TDC) représentent un large spectre de conditions caractérisées par une altération de la conscience de soi et de l’environnement, pouvant survenir à la suite de diverses atteintes cérébrales (e.g. traumatismes crâniens) et incluant notamment le coma, l’état végétatif et l’état de conscience minimale. 

Bien que chacun de ces états présente des caractéristiques cliniques distinctes, le diagnostic précis du TDC en phase aigüe, de même que le pronostic d’évolution du patient dans les mois suivant cet épisode, constituent des défis majeurs pour les cliniciens.

L’imagerie cérébrale multimodale (e.g ; IRM, TEP) s’avère pertinente pour évaluer de manière plus précise les fonctions cérébrales résiduelles. Cependant, la fusion de l’information massive fournie par ces différentes modalités d’imagerie, complétée des données cliniques du patient est une tâche complexe.

Au cours d’une première étude, nous avons développé un modèle pronostique par apprentissage statistique de l’évolution à 3 mois des patients, exploitant l’information extraite de données anatomiques caractérisant les lésions cérébrales, de la fonction métabolique glucidique avec la TEP au [¹⁸F]FDG, et des modalités d’IRM de diffusion (DWI) et de perfusion (ASL). Les résultats encourageants de ce modèle constituent une première référence de performance.

L’objectif de ce projet est de développer un modèle pronostique par intelligence artificielle de l’évolution à 3 mois des patients, exploitant l’information hétérogènes de données d’imagerie multimodales et de données cliniques. 

Ce travail s’appuiera sur les résultats encourageants d’un premier modèle par apprentissage statistique combinant des données d’imagerie IRM et TEP.  Plusieurs pistes seront explorées, dans le domaine de l’apprentissage profond et dans le domaine de l’apprentissage sur graphe de population. Le.a candidat.e aura accès à une base de données unique collectée dans le cadre du projet ANR IMAGINA agrégeant les examens de sujets comateux en phase aigüe (>70 examens) réalisés sur une machine hybride permettant l'acquisition simultanée de l'information fonctionnelle en TEP, et l’information fonctionnelle ou structurelle en IRM.

Nous renvoyons au fichier attaché pour les détails concernant le sujet et les modalités de candidature.