Améliorer l'analyse des images médicales grâce à l'IA

Utiliser l'apprentissage profond pour prédire la réponse au traitement des patients atteints d'une maladie neurologique.

Une radiographie de la tête prise par un scanner assisté par ordinateur.

Contexte

La médecine personnalisée adapte les traitements à chaque patient⋅e et peut s'avérer particulièrement cruciale pour les maladies chroniques telles que la sclérose en plaques (SEP), où un traitement rapide et efficace est essentiel pour prévenir la morbidité et réduire l'invalidité.

Actuellement, les décisions médicales sont fondées sur des statistiques générales et des marqueurs cliniques basés sur la population. Pourtant, utiliser les images de patient⋅e⋅s pour effectuer des prédictions personnalisées peut favoriser des recommandations de traitement tenant mieux compte de l'efficacité des médicaments d'un patient à l'autre.

Cependant, ces modèles d’IA restent sous-explorés et les défis posés par les contextes cliniques entravent leur déploiement en toute sécurité.

Objectifs

Nous développons des modèles d'apprentissage profond analysant des images médicales et destinés aux contextes cliniques et l'amélioration des soins. Par exemple, cela pourrait aboutir à des outils pour aider les médecins à sélectionner les traitements optimaux spécifiques à chaque personne atteinte d’une maladie chronique incurable, ou à une amélioration de l'analyse des essais cliniques.

Nous cherchons à développer des cadres d'apprentissage profond modernes qui prédisent avec précision les résultats futurs des patient⋅e⋅s et les effets des traitements individuels, ce qui requiert de surmonter les défis présentés par les données du monde réel.

Nous devons également garantir la sécurité et la fiabilité des modèles pour assurer un bon déploiement clinique.

Nous avons développé le premier modèle d'inférence causale pour la médecine personnalisée basé sur des images de résonance magnétique (IRM) en 3D acquises au cours d'essais cliniques auprès de patient⋅e⋅s atteints de maladies neurologiques.

Ce modèle permet de prédire avec précision l'aggravation future de la maladie d'un⋅e patient⋅e sous l'effet de toutes les thérapies possibles (et d'un placebo). Nous voulions également identifier les personnes susceptibles de répondre à différents traitements au sein de populations hétérogènes grâce à la prédiction des effets futurs du traitement. Au niveau individuel, cela peut améliorer les recommandations de traitement : ce cadre permet d'identifier des sous-populations de patients répondant aux traitements.

Nous nous efforçons d'améliorer la sécurité et la fiabilité de nos méthodes en élaborant les premiers modèles causaux tenant compte de l'incertitude pour la médecine personnalisée basée sur l'imagerie. La communication de la probabilité de réponse au traitement permettrait de formuler des recommandations plus éclairées.

Nous avons testé le modèle sur un vaste ensemble de données d'essais cliniques de patients atteints de sclérose en plaques, fournies par l'International Progressive MS Alliance.

Contenu à la une

Tal Arbel : L'apprentissage automatique au service de la sclérose en plaques

NeurologyLive s'est entretenu avec Tal Arbel, membre académique associé de Mila, lors du forum ACTRIMS pour en savoir plus sur les travaux réalisés dans ce domaine.

Regarder la vidéo

Les promesses de l'IA pour une médecine personnalisée basée sur les images médicales

Présentation de Joshua Durso-Finley (McGill/Mila) lors du USS (UNIQUE Student Symposium) dans le cadre d'une session sur la neuroAI dans la recherche médicale.

Regarder la vidéo

Aux côtés de mon incroyable équipe de recherche, je suis fière de développer des outils d'IA pour améliorer les perspectives de patient⋅e⋅s atteint⋅e⋅s de maladies incurables.

Tal Arbel, professeure, McGill University, membre académique principale, Mila

+1 800

Patients analysés

Plus de 1800 patient⋅e⋅s atteint⋅e⋅s de SEP ont été analysé⋅e⋅s dans le cadre de ce projet.

Traitements évalués

Des expériences ont été menées sur 5 traitements différents.

Essais cliniques randomisés

Le modèle a été testé dans 4 essais cliniques randomisés.

Ressources

Répertoire des publications : Probabilistic Vision Group (PVG)

Le PVG est un laboratoire de recherche interdisciplinaire qui se consacre au développement de cadres d'apprentissage automatique probabiliste en vision par ordinateur pour un large éventail d'applications réelles en neurologie et en neurochirurgie.

Voir les publications https://www.cim.mcgill.ca/~pvg/publications/

Améliorer la médecine de précision basée sur l'image avec des modèles de causalité tenant compte de l'incertitude

Entretien avec le doctorant Joshua Durso-Finley à propos de son article et de ses recherches pour MICCAI 2023.

Lire l'article https://www.rsipvision.com/MICCAI2023-Tuesday/8/

Publications

Improving Image-Based Precision Medicine with Uncertainty-Aware Causal Models

Joshua D. Durso-Finley

Jean-Pierre R. Falet

Raghav Mehta

Douglas Arnold

Nick Pawlowski

Tal Arbel

Image-based precision medicine aims to personalize treatment decisions based on an individual's unique imaging features so as to improve the… (voir plus)ir clinical outcome. Machine learning frameworks that integrate uncertainty estimation as part of their treatment recommendations would be safer and more reliable. However, little work has been done in adapting uncertainty estimation techniques and validation metrics for precision medicine. In this paper, we use Bayesian deep learning for estimating the posterior distribution over factual and counterfactual outcomes on several treatments. This allows for estimating the uncertainty for each treatment option and for the individual treatment effects (ITE) between any two treatments. We train and evaluate this model to predict future new and enlarging T2 lesion counts on a large, multi-center dataset of MR brain images of patients with multiple sclerosis, exposed to several treatments during randomized controlled trials. We evaluate the correlation of the uncertainty estimate with the factual error, and, given the lack of ground truth counterfactual outcomes, demonstrate how uncertainty for the ITE prediction relates to bounds on the ITE error. Lastly, we demonstrate how knowledge of uncertainty could modify clinical decision-making to improve individual patient and clinical trial outcomes.

2023-10-08

OpenReview.net/Archive (publié)

doi.org

openreview.net

Personalized Prediction of Future Lesion Activity and Treatment Effect in Multiple Sclerosis from Baseline MRI

Joshua D. Durso-Finley

Jean-Pierre R. Falet

Brennan Nichyporuk

Douglas Arnold

Tal Arbel

Precision medicine for chronic diseases such as multiple sclerosis (MS) involves choosing a treatment which best balances efficacy and side … (voir plus)effects/preferences for individual patients. Making this choice as early as possible is important, as delays in finding an effective therapy can lead to irreversible disability accrual. To this end, we present the first deep neural network model for individualized treatment decisions from baseline magnetic resonance imaging (MRI) (with clinical information if available) for MS patients which (a) predicts future new and enlarging T2 weighted (NE-T2) lesion counts on follow-up MRI on multiple treatments and (b) estimates the conditional average treatment effect (CATE), as defined by the predicted future suppression of NE-T2 lesions, between different treatment options relative to placebo. Our model is validated on a proprietary federated dataset of 1817 multi-sequence MRIs acquired from MS patients during four multi-centre randomized clinical trials. Our framework achieves high average precision in the binarized regression of future NE-T2 lesions on five different treatments, identifies heterogeneous treatment effects, and provides a personalized treatment recommendation that accounts for treatment-associated risk (side effects, patient preference, administration difficulties).

2022-02-28

MIDL.io/2022/Conference (publié)

doi.org

openreview.net

Estimating individual treatment effect on disability progression in multiple sclerosis using deep learning

Jean-Pierre R. Falet

Joshua D. Durso-Finley

Brennan Nichyporuk

Julien Schroeter

Francesca Bovis

Maria-Pia Sormani

Doina Precup