• Langue : Français, Anglais
• Discipline : Médecine nucléaire
• Identifiant : 2023ULILM025
• Type de thèse : Doctorat de médecine
• Date de soutenance : 02/03/2023

Résumé en langue originale

Introduction : Avec l'arrivée de traitements influençant l'évolution des maladies neurodégénératives, il sera essentiel de diagnostiquer avec précision celles-ci. Les réseaux de neurones convolutifs sont de puissantes techniques d'apprentissage profond pouvant aider les médecins imageurs dans l'interprétation. La classification par apprentissage profond de sujets avec une maladie d'Alzheimer (MA), une démence frontotemporale (DFT) ou cognitivement sains (CS), basée sur le métabolisme cérébral du glucose, n'a jamais été présentée dans la littérature et ainsi mérite considération. Méthodes : Les TEP au [18F]-FDG de 199 MA, 192 DFT et 200 CS sujets ont été collectées rétrospectivement de notre base de données locale et des bases de données Alzheimer’s disease et frontotemporal lobar degeneration neuroimaging initiative. L'entraînement d'un réseau 3D inspiré de l'architecture VGG16 a été effectué sur 90% des données avec augmentation de données et validation croisée. Les performances ont été comparées à l'interprétation clinique sur les 10% de données restantes. Les régions guidant la classification ont été identifiées dans une expérience d'occlusion. Résultats : Les sujets des données tests étaient appariés en âge et en sexe. Le modèle montrait une précision de 89,8% à prédire les classes des données tests. Les aires sous la courbe ROC étaient de 93,3% pour la MA, 95,3% pour la DFT et 99,9% pour les CS. Le consensus atteint par les médecins avait une précision de 69.5%, et la concordance était importante entre eux (kappa = 0.61, 95% CI : 0.49-0.73). Les cortex cingulaire antérieur, temporal mésial et préfrontal dorsolatéral étaient des régions communes à la classification en MA ou en DFT. Discussion : A notre connaissance, il s'agit de la première étude à présenter un réseau de neurones capable de discriminer MA et DFT sur la base de la TEP au [18F]-FDG, et d'isoler les sujets CS avec haute précision. Cela ajoute à la littérature grandissante de l'apprentissage profond en médecine nucléaire et suggère l'incorporation future de ces techniques en pratique clinique.