Learning pathological representations in neuroimaging : Predicting psychiatric diagnosis by integrating heterogeneity constraints - TEL - Thèses en ligne
Thèse Année : 2024

Learning pathological representations in neuroimaging : Predicting psychiatric diagnosis by integrating heterogeneity constraints

Apprentissage de représentations pathologiques en neuroimagerie : prédiction du diagnostic psychiatrique en intégrant des contraintes d'hétérogénéité

Résumé

The biological mechanisms that underlie the symptoms of psychiatric diseases, such as schizophrenia, bipolar, or autistic disorders, are still poorly understood in many regards.One of the main reasons is the neurobiological heterogeneity associated with these diseases. Furthermore, healthy subjects usually share common but irrelevant factors of variation with the patients, such as age, sex, acquisition site, and ethnicity. These two major obstacles hamper the identification of consistent and interpretable biological markers associated with these diseases and their clinical scales, such as paranoia, anxiety, or depression.One of the main reasons is the neurobiological heterogeneity associated with these diseases. This hampers the identification of clear and interpretable biological markers associated with these diseases. In this thesis, our goal is to develop machine learning techniques to automatically stratify psychiatric diseases into homogeneous subgroups or to automatically identify the pathological latent distinct and interpretable generative factors, based on objective biological markers acquired through neuroanatomical MRI imaging techniques.At first, this thesis focused on developing clustering methods to stratify a disorder into homogeneous subgroups. Our first contribution was a extit{linear} subgroup discovery algorithm, called UCSL (Unsupervised Clustering driven by Supervised Learning), which identifies subgroups that stem only from the pathological variability specific to the disorder while disregarding the common variability shared with the healthy population. As a second contribution, this was then extended with a non-linear deep features extractor, potentially more powerful in recognizing complex pathological signatures. This new deep learning method entitled Deep UCSL, can directly extract features from anatomical MRI images, showed state-of-the-art results in neuro-psychiatric subgroup identification, and demonstrated generalization capabilities to other medical imaging domains (eye and lung pathologies). Ultimately, to illustrate the usefulness of such Subgroup Discovery methods, the linear method UCSL was leveraged to identify subtypes in a cohort of individuals with schizophrenia and to analyze their clinical relevance.Another line of research investigated in this thesis consisted of estimating the latent distinct and interpretable generative factors that underpin the neurobiological heterogeneity proper to the psychiatric disorder. To address this objective, this thesis investigated a class of representation learning methods that enable separating pathological patterns from healthy patterns of variability: contrastive analysis methods. These methods do not require assuming the existence of homogeneous subgroups. This field of statistical learning aims at separating ''common'' and ''target'' variability factors given a ''source'' dataset and a ''target'' dataset. In our case, the goal is to identify, on the one hand, the projection that allows identifying healthy variability patterns and, on the other hand, the projection that allows identifying ''pathological signatures'' that exist only in the class of patients and not in the class of healthy people. A contrastive variational autoencoder method entitled SepVAE was developed and contributed to competing methods in two ways: by adding a classification task in the pathological space and by adding a cost function based on mutual information to minimize information redundancy between the common space and the pathological space. Eventually, to provide a rich methodological perspective, a novel contrastive analysis strategy was developed. This method extends the framework of contrastive analysis methods to another promising class of representation learning methods: mutual information maximization learning. These methodological contributions were then validated on vision, medical, and neuroimaging datasets.
Les mécanismes biologiques qui sous-tendent les symptômes des maladies psychiatriques sont encore mal compris à de nombreux égards. Une hypothèse qui justifierait la difficulté des chercheurs à identifier des marqueurs biologiques associés spécifiquement avec les troubles schizophrènes, bipolaires ou autistique serait qu'il existe une hétérogénéité neurobiologique importante au sein de chacune de ses maladies, qui rend plus difficile l'analyse de ces affections. Dans cette thèse, notre objectif est de développer des techniques d'apprentissage statistique automatique pour stratifier les maladies psychiatriques en sous-groupes ou en spectre de dimensions indépendantes sur la base de marqueurs biologiques objectifs acquis à l'aide de technique d'imagerie IRM neuroanatomique. Dans un premier temps, nous nous sommes concentrés sur le développement de méthodes de regroupement («clustering») visant à stratifier une maladie en sous-groupes homogènes. Un obstacle majeur fût d'observer que la prédominance de marqueurs neuroanatomiques sous-tendus par des facteurs de variabilité «généraux» (age, sexe, site d'acquisition, ethnicité) rendait difficile l'identification de marqueurs pathologiques distincts (associé à des échelles cliniques telles que la paranoïa, l'anxiété, ou la dépression par exemple). Notre première contribution fût donc de développer un algorithme linéaire de découverte de sous-groupes: UCSL qui se base uniquement sur des facteurs de variabilité existant spécifiquement et uniquement dans la population malade et non dans la population saine. Afin d'étendre ce travail à des algorithmes d'analyse profond non-linéaire, potentiellement plus puissant, susceptibles de reconnaître des signatures pathologiques plus complexes, nous avons étendu l'algorithme UCSL à un algorithme de Deep Learning intitulé Deep UCSL. Deep UCSL est capable d'extraire directement des caractéristiques directement dans l'image IRM anatomique et démontre des capacités de généralisation à d'autres domaines d'imagerie médicale (pathologies de l'œil et des poumons). Puis, afin d'illustrer l'utilité de ces méthodes de découverte de sous-groupes, nous avons utilisé la méthode linéaire UCSL dans une cohorte de personnes atteintes de schizophrénie pour identifier plusieurs sous-types et analyser leur pertinence clinique. Une autre ligne de recherche intéressante consiste à estimer les facteurs génératifs latents distincts et interprétables qui sous-tendent l'hétérogénéité neurobiologique propre à la maladie psychiatrique. Ainsi, nous nous sommes donc intéressés à une classe de méthodes d'apprentissage de représentations pathologiques (qui capture des motifs de variabilité qui n'existent que dans la maladie) intitulée «l'analyse contrastante». Ce champ de l'apprentissage statistique vise à séparer les facteurs de variabilité «communs» et «cibles», étant donné un ensemble de données «source» et un ensemble de données «cible». Dans notre cas, l'objectif serait d'identifier d'un côté la projection permettant d'identifier les motifs de variabilité sains et de l'autre côté la projection permettant d'identifier les «signatures pathologiques» qui n'existe que dans la classe des malades et non dans la classe des gens sains. Nous avons développé une méthode d'auto-encodeur variationnelle: SepVAE, qui contribue à des méthodes concurrentes via l'ajout de deux fonctions de coût à minimiser.. Enfin, nous avons développé une nouvelle méthode d'analyse contrastante: SepCLR, qui étend le cadre des méthodes d'Analyse Contrastive à une autre classe de méthodes prometteuse d'apprentissage de représentations: l'apprentissage par maximisation d'information mutuelle. Nous avons validé ces deux contributions méthodologiques sur des ensembles de données de vision, médicaux et de neuroimagerie.
Fichier principal
Vignette du fichier
130700_LOUISET_2024_archivage.pdf (15.4 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04688414 , version 1 (05-09-2024)

Identifiants

  • HAL Id : tel-04688414 , version 1

Citer

Robin Louiset. Learning pathological representations in neuroimaging : Predicting psychiatric diagnosis by integrating heterogeneity constraints. Machine Learning [stat.ML]. Université Paris-Saclay, 2024. English. ⟨NNT : 2024UPAST044⟩. ⟨tel-04688414⟩
47 Consultations
49 Téléchargements

Partager

More