Deep learning applied to brain MRI data for patient stratification and prediction of multiple sclerosis disease course

Resum

L'esclerosi múltiple és una malaltia crònica del sistema nerviós central caracteritzada per la inflamació, la desmielinització i la neurodegeneració. L'esclerosi múltiple és una de les principals causes no traumàtiques de discapacitat irreversible en adults joves, la qual presenta un curs altament variable entre individus. En la pràctica clínica, l'ús d'imatges de ressonància magnètica ha esdevingut una eina essencial en la diagnosi i prognosi de l'esclerosi múltiple. En els últims anys, la combinació de models basats en l'aprenentatge profund (deep learning) amb imatges de ressonància magnètica ha presentat resultats prometedors en l'estudi de l'esclerosi múltiple. No obstant això, les característiques predictives subjacents de la progressió de l'esclerosi múltiple encara són desconegudes. En aquesta tesi doctoral, qüestionem si els mètodes d'aprenentatge profund aplicats únicament a l'anàlisi de imatges cerebrals de ressonància magnètica poden ser utilitzats per predir diferents estats del curs de la malaltia en pacients amb esclerosi múltiple i, com podrien ser aplicats en la pràctica clínica. Per aconseguir aquest objectiu, presentem dues aproximacions per a l'estratificació de pacients amb esclerosi múltiple: dos estudis d'anàlisis transversals i un estudi de pronòstic. Per a cada proposta, incloem estratègies d'interpretació per a que els models d'aprenentatge profund siguin més explicatius i fiables des d'un punt de vista clínic. Tots els experiments que composen aquesta tesi doctoral han estat realitzats amb una cohort interna de pacients amb esclerosi múltiple seguits prospectivament en el temps després del seu primer brot desmielinitzant. En el primer estudi, vam proposar un model d'aprenentatge profund per a l'estratificació binària de pacients amb esclerosi múltiple en funció de la seva puntuació de discapacitat avaluada per un neuròleg. El model presentat, únicament pren com a entrada imatges de ressonància magnètica cerebral en un únic punt temporal en qualsevol estat del curs de la malaltia. En avaluar la interpretació dels resultats obtinguts mitjançant mapes d'atenció, vàrem observar una major importància en el còrtex frontotemporal i el cerebel en el desenvolupament de l'acumulació de discapacitat. En el següent estudi, vàrem analitzar l'ús del mateix model d'aprenentatge profund utilitzant diferents dades d'entrada regionals, prèviament definides, per a comparar-les amb l'entrada global de tot el cervell. Aquestes regions incloïen els teixits de matèria blanca i matèria grisa, els ventricles laterals, el cerebel i tronc cerebral i les estructures subcorticals de matèria grisa. Tot i que el model regional de matèria grisa va obtenir el millor rendiment, en avaluar els models en un conjunt de dades d'una cohort externa, es va suggerir que l'enfocament global oferia un millor rendiment i més robust per a la generalització. Finalment, vam proposar un model de supervivència en temps discret per predir la probabilitat de desenvolupar una primera progressió independent de l'activitat de brots (PIRA, per les sigles en anglès) a partir de la primera ressonància magnètica del cervell després del primer brot desmielinitzant. Amb els resultats obtinguts, vam ser capaços de millorar el poder predictiu d'un model de supervivència clàssic construït amb el predictor de PIRA més rellevant, l'edat en el primer brot. En aquesta tesi doctoral, hem desenvolupat amb èxit models d'aprenentatge profund precisos i automatitzats amb el suport d'algoritmes d'interpretació que intenten revelar quines regions en el cervell dirigeixen les decisions obtingudes a partir del model. Aquest treball marca els passos inicials de potencials models predictius destinats a millorar la gestió dels pacients amb esclerosi múltiple, aplanant el camí cap a la seva potencial integració en la pràctica clínica en el futur.

Data del Ajut	6 de febr. 2024
Idioma original	Anglès
Supervisor	Deborah Pareto Onghena (Director/a), Xavier Lladó Bardera (Director/a) & Carmen Tur Gomez (Director/a)