• Langue : Français
• Discipline : Recherche clinique, innovation technologique, santé publique
• Identifiant : 2023ULILS026
• Type de thèse : Doctorat
• Date de soutenance : 16/05/2023

Résumé en langue originale

L'AVC ischémique (AVCi) est une cause majeure de handicap et de mortalité dans le monde et est ainsi un problème global de santé publique. Son pronostic est multifactoriel mais dépend principalement de la lésion ischémique et de l'état du cerveau sous-jacent. Leur caractérisation peut être réalisée en IRM mais son interprétation reste subjective et cette variabilité peut impacter le soin. Il est donc nécessaire de développer des biomarqueurs d'imagerie objectifs et quantitatifs de la lésion ischémique et de la santé cérébrale afin d'améliorer le diagnostic, le pronostic, et le traitement de l'AVCi. Les radiomics, l'extraction automatique de paramètres texturaux à partir d'imagerie médicale, peut fournir ces biomarqueurs, en décrivant quantitativement l'image IRM. Durant ma thèse, nous avons donc évalué les performances des radiomics pour caractériser l'infarctus et la santé cérébrale des patients victimes d'AVC ischémique.L'objectif de notre premier travail a été de développer un biomarqueur pour quantifier la discordance DWI-FLAIR dans la caractérisation IRM des AVCi. En effet, dans les AVCi de début inconnu ou de présentation tardive, le traitement n'est indiqué que chez les patients ne présentant pas d'hypersignal FLAIR intra-lésionnel. Nous avons conduit une analyse radiomics des infarctus de 103 patients en FLAIR et en diffusion et avons prédit, grâce à un algorithme d'apprentissage machine, l'interprétation visuelle par deux experts du signal FLAIR lésionnel. Alors que l'accord inter-observateur était modeste (Cohen Κ=0.58), nous avons identifié deux variables radiomics (FLAIR kurtosis et Cluster Shade) prédictives de la positivité lésionnelle en FLAIR. Cette signature radiomics représente un potentiel biomarqueur thérapeutique innovant pour le soin des patients victimes d'AVCi.Notre second travail nous a permis d'évaluer l'approche radiomics dans la quantification de la charge lésionnelle neurovasculaire. A partir de 4163 patients issus d'une cohorte multicentrique internationale de patients victimes d'AVCi, et grâce à un algorithme d'intelligence artificielle, nous avons montré que les radiomics T2-FLAIR du parenchyme d'allure saine étaient prédictifs du volume de leucopathie (R2=0.855±0.011). Ainsi, l'analyse radiomics des imageries T2-FLAIR permet d'identifier des altérations cérébrales au-delà des anomalies visibles sur les séquences morphologiques. De plus, nous avons suggéré que certains profils de risques cardiovasculaires avaient une expression texturale spécifique. Enfin, l'âge était particulièrement bien capturé par les radiomics ce qui nous a permis de conceptualiser notre article suivant.Durant notre troisième travail, nous avons étudié l'âge cérébral comme biomarqueur de santé cérébrale chez les patients victimes d'AVCi. En exploitant la même cohorte de 4163 patients avec un modèle d'apprentissage machine, nous avons prédit l'âge chronologique des patients à partir des radiomics T2-FLAIR. Puis, nous avons étudié la différence entre l'âge prédit, appelé âge cérébral, et l'âge chronologique et avons dérivé une variable indépendante de l'âge : l'âge cérébral relatif. Nous avons montré que les patients dont le cerveau avait l'air plus âgé avaient significativement plus de facteurs de risques cardiovasculaires (hypertension, diabète, tabagisme, antécédent d'AVC). Enfin, nous avons montré que l'âge cérébral relatif était associé au pronostic fonctionnel de l'AVC de manière indépendante à l'âge chronologique, au NIHSS, et aux antécédents d'AVC (Odds-ratios ajustés : 0.76, 0.58, 0.48, 0.55; p-values<0.001).En conclusion, ma thèse montre des exemples applicatifs des radiomics et de l'intelligence artificielle dans la caractérisation des lésions ischémiques et de la santé cérébrale chez des patients victimes d'AVC ischémiques. Nos résultats suggèrent que ces techniques innovantes pourraient aider à orienter le soin de ces patients.

Résumé traduit

Ischemic stroke (IS) is a major cause of disability and mortality worldwide and is therefore a global public health issue. Its prognosis depends on various factors but mainly on the extent of the ischemic injury and the condition of the underlying brain. While MRI can be used to characterize these aspects, its interpretation is subjective, which can impact treatment decisions. Therefore, there is a need to develop objective and quantitative imaging biomarkers for ischemic injury and brain health to improve the diagnosis, prognosis, and treatment of stroke. Radiomics, which involves the automatic extraction of texture parameters from medical imaging, can provide these biomarkers by quantitatively describing MRI images. In this thesis, we evaluated the performance of radiomics in characterizing infarcts and brain health in patients with ischemic stroke.Our first study aimed to develop a biomarker to quantify the DWI-FLAIR mismatch in the MRI characterization of IS. In cases where the onset or presentation of IS is unknown or delayed, treatment is only indicated in patients without FLAIR intra-lesional hyperintensity. We conducted a radiomics analysis of infarcts in 103 patients using FLAIR and diffusion imaging and predicted the consensual visual interpretation of FLAIR lesion signal by two experts using a machine learning algorithm. Although the inter-observer agreement was modest (Cohen's Κ=.58), we identified two radiomics variables (FLAIR kurtosis and Cluster Shade) that were predictive of FLAIR lesion positivity. This radiomics signature represents an innovative potential therapeutic biomarker for the management of patients with IS.Our second study allowed us to evaluate the radiomics approach in quantifying the cerebral burden of disease. Using an artificial intelligence algorithm on 4163 patients from an international multicenter cohort of patients with IS, we showed that T2-FLAIR radiomics of healthy-looking parenchyma predicted the volume of white matter hyperintensities (R2=0.855±0.011). Thus, radiomics analysis of T2-FLAIR imaging can identify brain alterations beyond those visible on morphological sequences. Additionally, we suggested that certain cardiovascular risk profiles had specific textural expressions. Finally, age was the clinical trait best represented by radiomics, which allowed us to conceptualize our next article.In our third study, we investigated brain age as a biomarker of brain health in patients with IS. Using the same cohort of 4163 patients with a machine learning model, we predicted the chronological age of patients from T2-FLAIR radiomics. Then, we studied the difference between the predicted age, called brain age, and chronological age and derived an age-independent biomarker: relative brain age (RBA). We showed that patients with brains that appeared older had significantly more cardiovascular risk factors (hypertension, diabetes mellitus, smoking, history of stroke). Finally, we demonstrated that RBA was independently associated with poststroke functional prognosis, even after adjusting for chronological age, NIHSS, and history of stroke (respective adjusted odds ratios: 0.76, 0.58, 0.48, 0.55; all p-values<.001).In conclusion, this thesis provides examples of the joint application of radiomics and artificial intelligence in characterizing ischemic lesions and brain health in patients with ischemic stroke. Our results suggest that these innovative techniques could help guide the management of these patients.