Utilisation de l’apprentissage géométrique profond sous contrainte de monotonie pour prédire la progression de la maladie d’Alzheimer

Introduction

La maladie d’Alzheimer (MA) est une maladie neurodégénérative dévastatrice qui entraîne une déclin cognitif progressif et irréversible aboutissant à la démence. L’identification précoce et la prédiction de la progression de cette maladie sont cruciales pour le diagnostic clinique et le traitement. Par conséquent, modéliser avec précision la progression de l’Alzheimer est devenu un point central de la recherche.

À ce jour, de nombreuses études utilisent l’imagerie par résonance magnétique structurelle (IRM) pour modéliser la progression de la MA, se concentrant principalement sur les aspects suivants : 1) la variabilité temporelle ; 2) les données d’observation incomplètes ; 3) les caractéristiques géométriques temporelles. Cependant, bien que des méthodes d’apprentissage profond aient tenté de résoudre les problèmes de variabilité et de rareté des données, elles ne prêtent pas encore suffisamment d’attention aux caractéristiques géométriques intrinsèques, lesquelles sont liées à la taille, l’épaisseur, le volume et la forme des régions cérébrales dans la progression de la MA.

Dans ce contexte, les auteurs de cet article proposent une nouvelle méthode d’apprentissage géométrique pour modéliser les biomarqueurs longitudinaux IRM et les scores cognitifs, et proposent un algorithme d’entraînement qui reflète l’irréversibilité des changements de mesure grâce à une contrainte de monotonie. Cette étude utilise une méthode de modélisation géométrique appelée ODE-RGRU (Réseau Récurent Basé sur des Équations Différentielles Ordinaires), mais cette méthode rencontre des limites lorsqu’il s’agit d’extrapoler des matrices symétriques définies positives à partir d’échantillons incomplets, particulièrement dans un contexte clinique.

Source de l’article

Cet article a été rédigé par Seungwoo Jeong, Wonsik Jung, Junghyo Sohn et Heung-Il Suk (Membre Sénior, IEEE), les auteurs étant principalement affiliés à l’Université de Corée, en Corée du Sud. L’article a été publié dans la revue IEEE Transactions on Neural Networks and Learning Systems en mai 2024.

Processus de Recherche en Détail

Processus de Recherche

Le processus de cette recherche comprend les étapes suivantes :

1. Prétraitement et conversion des données : conversion des données d’entrée $s_t$ en points dans l’espace de Cholesky $x_t$.
2. Modules de combinaison : ce cadre comprend trois modules : le module de changement d’espace topologique, le module ODE-RGRU et le module d’estimation de trajectoire. Le module de changement d’espace topologique convertit les données en représentations géométriques ; le module ODE-RGRU apprend les trajectoires temporelles ; le module d’estimation de trajectoire sert à estimer les valeurs manquantes dans les échantillons incomplets.
3. Entraînement et optimisation : un nouvel algorithme d’entraînement est introduit, combinant la contrainte de monotonie pour régulariser les trajectoires des biomarqueurs IRM afin de satisfaire certaines exigences tout en maintenant la performance du modèle.

Méthodes et Algorithmes Expérimentaux

1. Module ODE-RGRU :

   • Utilisation de l’espace de Cholesky et des opérations géométriques riemanniennes pour le modelage des séries temporelles.
   • Introduction de la moyenne de Fréchet et des opérations ODE sur des variétés pour capturer la structure géométrique des données.

2. Module d’estimation de trajectoire :

   • Traitement du problème des valeurs manquantes par le biais de solveurs ODE et de décodeurs, pour estimer les données manquantes dans les échantillons incomplets.
   • Estimation des valeurs manquantes en utilisant un modèle autorégressif, garantissant la monotonie des caractéristiques.

3. Algorithme d’entraînement :

   • Optimisation via des fonctions de perte : fonction de perte d’estimation $l{estim}$, fonction de perte de prédiction $l{pred}$ et régularisation de monotonie $l_{reg}$.
   • Ajustement des hyperparamètres $\lambda_1$, $\lambda_2$ et $\lambda_3$ pour garantir la réalisation des objectifs d’apprentissage de tous les modules.

Expériences et Résultats

Les auteurs ont évalué leur méthode à l’aide du jeu de données TADPOLE accessible au public. Les résultats expérimentaux montrent que la méthode proposée surpasse les techniques existantes dans différents contextes longitudinaux, notamment dans des configurations temporelles irrégulières.

1. Prédiction de l’état clinique longitudinal :

   • Les résultats expérimentaux montrent que la méthode proposée excelle dans la tâche de classification multiple prédictive des états CN (état cognitif normal), MCI (trouble cognitif léger) et AD, obtenant des MAUC et des précisions plus élevées que les méthodes existantes.

2. Prédiction des scores cognitifs :

   • En termes de prédiction des scores cognitifs, la méthode propose obtient le MAP maximal le plus bas et obtient des performances notables sur les échelles ADAS-Cog11 et ADAS-Cog13.

3. Prédiction des biomarqueurs IRM avec des observations incomplètes :

   • La méthode montre une capacité fiable de prédiction des caractéristiques pathologiques complexes ou discontinues dans le temps, illustrant la précision de l’estimation des valeurs manquantes.

Importance et Valeur de la Recherche

Le cadre d’apprentissage géométrique proposé ici combine la variabilité temporelle des données longitudinales, les caractéristiques géométriques et la contrainte de monotonie, offrant ainsi une méthode innovante et efficace pour modéliser la progression de la MA. Cette méthode :

1. Valeur scientifique : En intégrant des contraintes géométriques et de monotonie, cette méthode améliore les performances de modélisation des données longitudinales d’IRM et de scores cognitifs, rehaussant la gestion des échantillons rares et incomplets.
2. Valeur appliquée : Utilisable pour la prédiction de progression clinique et le diagnostic, elle offre une prévision plus précise de la progression de la MA, contribuant ainsi à un meilleur diagnostic précoce et à une amélioration des interventions thérapeutiques.

Points Forts et Perspectives Futures

Points Forts

1. Propose un nouveau cadre d’apprentissage géométrique fusionnant variabilité temporelle et caractéristiques géométriques.
2. Développement d’un algorithme d’entraînement sous contrainte de monotonie garantissant stabilité et efficacité du modèle.
3. Preuve de la supériorité de la méthode dans les prédictions cliniques et des scores cognitifs à travers des expériences détaillées et comparatives.

Perspectives Futures

Les recherches futures se focaliseront sur les aspects suivants :

1. Améliorer la précision de l’estimation des valeurs manquantes : en suivant plus précisément les trajectoires dans l’espace des variétés, pour accroître la précision des estimations des valeurs manquantes.
2. Optimiser la prédiction de l’état clinique : refléter davantage les caractéristiques irréversibles de la MA, pour améliorer la précision du modèle dans les prédictions des états cliniques.
3. Étendre les scénarios d’application : généraliser cette méthode à d’autres maladies neurodégénératives ou à des jeux de données complexes similaires pour validation et application.

Ces efforts visent à progresser davantage dans la recherche et l’application clinique de la MA et des maladies connexes, fournissant ainsi des outils plus fiables et scientifiquement fondés pour la détection précoce et le traitement de ces maladies.