| Resumé |
L'imagerie cérébrale joue un rôle central dans la prise en charge de l'AVC ischémique (AVCi) à la phase aigüe. Cependant, la durée de sa réalisation et de son interprétation doit être réduite au maximum car chaque minute gagnée avant revascularisation améliore le pronostic final des patients. Les techniques d'apprentissage automatique ou Machine Learning (ML), du fait de leur rapidité d'exécution, sont particulièrement adaptées à cette problématique. L'objet de ce travail est d'explorer plusieurs applications des techniques de ML permettant d'identifier des biomarqueurs de l'AVCi en IRM. Une première approche pour raccourcir le temps de réalisation de l'IRM cérébrale est de réduire le nombre de séquences. Le principal biomarqueur évalué par la séquence FLAIR est le mismatch FLAIR-diffusion, utile chez les patients présentant un AVCi d'heure de début inconnue pour estimer leur ancienneté. Cette séquence pourrait être substituée par une séquence de synthèse, SynthFLAIR, générée à partir des données de la séquence de diffusion grâce à une technique de réseau antagoniste génératif (GAN). Les données de 1416 IRM réalisées à la phase aigüe ou précocement (<48h) après un AVCi chez les patients admis pour traitement de revascularisation et contenant à la fois une séquence de diffusion et une séquence FLAIR ont été recueillies. Le modèle GAN a été entraîné sur un jeu de données d'entrainement (1134 IRM) et ses performances pour la détermination du mismatch FLAIR-diffusion ont été comparées à celle du FLAIR réel (RealFLAIR) dans un jeu de données de test (282 IRM). Le mismatch FLAIR-diffusion a été évalué par 4 lecteurs indépendants sur le RealFLAIR et le SynthFLAIR. La reproductibilité inter-observateur pour l'évaluation du mismatch était forte pour le RealFLAIR et le SynthFLAIR (respectivement &kappa=0.80 [IC95% :0.74-0.87] et 0.80 [0.74-0.87]). Après procédure de consensus, la concordance entre le RealFLAIR et le SynthFLAIR était presque parfaite (kappa=0.88 [0.82-0.93]). La séquence SynthFLAIR semble donc montrer des performances comparables au RealFLAIR pour l'évaluation du mismatch FLAIR-diffusion et permettrait de surseoir à l'acquisition de la séquence FLAIR et ainsi de réduire d'environ 25% la durée de l'IRM. Une autre approche permettant d'accélérer la prise de décision est de disposer d'outils permettant une évaluation rapide du devenir du tissu cérébral selon le traitement appliqué. En d'autres termes, on cherche à prédire voxel-à-voxel le devenir du tissu cérébral en se basant sur les données de l'imagerie initiale. Les méthodes actuellement utilisées en pratique clinique sont basées sur le seuillage simple des cartographies issues des séquences de diffusion et perfusion, mais plusieurs techniques de ML utilisant les données brutes de ces séquences ont montré de meilleures capacités prédictives. L'objectif de l'étude StrokePrediction était de comparer quatre techniques différentes de prédiction (seuillage simple, Random Forests, Gradient Boosting, U-Net) sur une base de données de 394 patients disposant d'une IRM à la phase aigüe d'un AVCi avec séquence de diffusion et de perfusion et d'un contrôle IRM à 24h. Les cartes de prédiction du devenir du tissu cérébral ont été comparées à l'infarctus final, segmenté manuellement, en utilisant le score de Dice. Le Gradient Boosting montrait des performances de significativement plus élevées (Dice médian [IQR] : 0.53 [0.29-0.68]) que les U-Net (0.48 [0.18-0.68]), les Random Forests (0.51 [0.27-0.66]), et le modèle de seuillage simple (0.45 [0.25-0.62]) (p<0.001) pour la prédiction de l'infarctus final. L'ensemble de ces résultats participe à une meilleure appréciation des applications futures du ML dans l'AVCi, notamment pour la réduction du temps d'acquisition et l'aide à la prise de décision. Les techniques proposées dans ce travail offrent des perspectives pour de futures études multicentriques. |