Reproducible and interpretable deep learning for the diagnosis, prognosis and subtyping of Alzheimer’s disease from neuroimaging data
Méthodes d’apprentissage profond reproductibles et interprétables pour le diagnostic, le pronostic et l’identification de sous-groupes de la maladie d’Alzheimer à partir de données de neuroimagerie
Résumé
The goal of this PhD was the validation of the existence and the discovery of new subtypes of Alzheimer’s disease, the first cause of dementia worldwide. Indeed, despite its discovery more than a century ago, this disease is still not well defined and existing treatments are only weakly effective, possibly because several phenotypes exist within the disease. In order to explore its heterogeneity, we employed deep learning methods applied to a neuroimaging modality, structural magnetic resonance imaging. However, the discovery of important methodological biases in many studies in our field, as well as the lack of consensus regarding deep learning interpretability, partly changed the main objective of the PhD to focus more on issues of validation, robustness and interpretability of deep learning. Then, to correctly assess the ability of deep learning to detect Alzheimer’s disease, three experimental studies were conducted. The first one is a study of deep learning methods for Alzheimer’s classification and allowed a fair comparison of the methods. The second study found a lack of robustness of classification with deep learning in terms of atrophy patterns discovered using interpretability methods. Finally, the last study proposed a subtype discovery method aided by data augmentation. Although it works on synthetic data, it does not generalize to real data. Experimental results of this PhD were obtained thanks to ClinicaDL, one major contribution of this PhD. It is an open source Python library that was used to improve the reproducibility of deep learning experiments.
L’objectif de cette thèse était la validation de l’existence ainsi que la découverte de nouveaux sous-types au sein de la maladie d’Alzheimer, première cause de démence au monde. En effet, malgré sa découverte il y a plus d’un siècle, celle-ci n’est toujours pas bien définie et les traitements existants ne montrent qu’une faible efficacité, ce qui pourrait être dû à l’existence de phénotypes différents au sein de la maladie. Afin d’explorer son hétérogénéité, nous avons employé des méthodes d’apprentissage profond appliquées à une modalité de neuroimagerie, l’imagerie par résonance magnétique structurelle. Cependant, la découverte de biais méthodologiques importants dans de nombreuses études de notre domaine, ainsi que l’absence de consensus de la communauté sur la manière d’interpréter les résultats des méthodes d’apprentissage profond a fait en partie dévier la thèse de son objectif principal pour s’orienter d’avantage vers des problématiques de validation, de robustesse et d’interprétabilité de l’apprentissage profond. Ainsi, trois études expérimentales ont été menées pour s’assurer de la capacité des réseaux profonds de correctement détecter la maladie. La première est une étude expérimentale de méthodes d’apprentissage profond pour la classification de la maladie d’Alzheimer et a permis d’établir une juste comparaison des méthodes. La seconde étude a permis de constater un manque de robustesse de la classification avec l’apprentissage profond en termes de motifs d’atrophie découverts à l’aide de méthodes d’interprétabilité. Enfin, la dernière étude propose une méthode de découverte de sous-types aidée par l’augmentation de données. Bien que fonctionnant sur des données synthétiques, celle-ci ne généralise pas aux données réelles. Une contribution majeure de la thèse est la librairie ClinicaDL, grâce à laquelle les résultats expérimentaux de la thèse ont été produits de manière à être reproductibles.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|