Conjuguant son expertise dans le traitement d’images IRM et TEP avec ses connaissances en statistique et apprentissage automatique Federico Nemmi développe et valide des méthodes innovantes pour l’analyse d’imagerie multimodale visant au diagnostic et au pronostic des maladies neurologiques, neurodégénératives et psychiatriques. Sa recherche se focalise aussi sur le développement d’outils d’analyses qui puissent combiner données d’imagerie et données de sources diverses (ex. échantillons biologiques, données neuropsychologiques) pour améliorer le diagnostic et le pronostic des maladies neurologiques, neurodégénératives et psychiatriques. Les méthodes développés sont librement accessibles sur son GitHub.

Projet

L’imagerie cérébrale multimodale a permis d’observer plusieurs caractéristiques du cerveau, tel que sa morphologie, sa microstructure ou son activité, pour un même sujet. Cette grand quantité d’informations complémentaires est fondamental pour avoir une compréhension holistique de la pathologie ou de la dégénérescence cérébral. Pour mettre à fruit tout leur potentiel, ces informations doivent être analysé avec des méthodes qui puissent prendre en compte leur structure globale et trouver, entre la multiplicité de variables, les éléments les plus pertinents pour distinguer un patient d’un sujet sain, ou pour prédire une échelle symptomatique. J’ai donc développé une pipeline d’analyse que puisse atteindre ces objectifs : à travers l’enchaînement de plusieurs passages de sélection et réduction de variable, couplé avec des modèles issus de l’apprentissage automatique, cette pipeline peut discriminer entre patients et sujet sain tout en mettant en lumière les régions cérébrales et les modalités d’imagerie que plus contribuent à cette discrimination. La pipeline a était validé sur une maladie génétique tel que la neurofibromatose (Nemmi et al., Hum Brain Map, 2019) et sur des syndromes parkinsoniennes (atrophie multi-systématisée, maladie de Parkinson) (Nemmi et al., Neuroim Clin, 2019) avec de données IRM et sur la maladie d’Alzheimer avec de données mixte d’IRM et TEP (European Conference on Clinical Neuroimaging, 2019, présentation orale), en utilisent des jeux de données déjà acquis au sein de ToNIC. De plus, la pipeline est capable de prédire de variable continues, tel que l’âge d’un sujet, à partir de données d’IRM multimodale (Nemmi et al., soumit). Au moment, mes efforts se focalisent sur l’optimisation pour les données TEP. Dans le proche future mon but est d’utiliser la pipeline pour observer la signature multimodale du traitement de la dépression par électroconvulsivothérapie. À terme, j’ envisage d’adapter la pipeline pour inclure des données longitudinale et pour pouvoir exploiter de données tel quel les échelles cliniques ou le tests cognitifs.

Travaux antérieurs:

Adaptation de la pipeline pour variables continues – étude sur les meilleurs marqueurs de diffusion de l’âge

S’il est important de pouvoir discriminer entre populations, il est certainement autant important de pouvoir prédire des variables continues tels que des échelles symptomatiques ou la performance à des tests cognitifs. J’ai donc adapté la pipeline pour les variables continues, en retravaillant en particulier les étapes de sélections de variables. J’ai ensuite utilisé la pipeline adaptée pour étudier le diffèrent pouvoir prédictif des paramètres issus de l’IRM de diffusion pour la prédiction de l’âge. J’ai pu mettre en lumière que, malgré tous les paramètres étudiés puissent prédire l’âge, certains paramètres, et notamment ces issues de l’algorithme de reconstruction en eau libre (FW), ont une performance significativement meilleure que les autres.

Performances (Erreur en mois = vrai âge – âge prédites ; Corrélation = r de Pearson) pour plusieurs algorithmes de reconstruction de données de diffusion (DTI = tenseur de diffusion ; NODDI = orientation et dispersion d’axones ; FW multishell = eau libre avec plusieurs valeurs de B0 ; Combined = tous les précédents ; FWb500/b100 (eau libre calculé avec une seule valeur de B0).

Analyses multivarié et IRM multimodale pour la discrimination de populations pathologiques

Régions cérébrales plus discriminantes entre enfants sains et atteints de neurofibromatose pour la diffusivité moyenne

Pour pouvoir maximiser l’exploitation des information d’imagerie multimodale, pouvoir trouver la signature multimodale des pathologies cérébrales et discriminer entres populations pathologiques j’ai développé une pipeline d’analyse qui enchaine une série de techniques de sélection et réduction de variables avec une algorithme d’apprentissage automatique. Cette pipeline a était validé sur des pathologies très différentes tels que la neurofibromatose (une pathologie développemental génétique) et la maladie de Parkinson et l’atrophie multi-systématisée.

Pour ce qui concerne la neurofibromatose, j’ai pu discriminer avec enfants atteints de cette pathologie et enfants sain, en montrant que la diffusivité moyenne dans le thalamus et le cervelet est le marqueur plus discriminant (Nemmi et al., Hum Brain Map, 2019).

Ensuite, j’ai pu montrer que ma pipeline peut non seulement discriminer entre sujets sain et malades, mais aussi entre patients atteints de différentes pathologies. Notamment, ma pipeline a était utilisé pour discriminer entre patients avec maladie de Parkinson et patients atteints d’atrophie multi-systématisée et entre ces deux populations et de sujets témoins. Chaque discrimination était associée à une signature multimodale qui était spécifique pour les différentes discrimination (Nemmi et al., Neuroim Clin, 2019).

Performances et signatures multimodales pour les différentes discrimination (MP = maladie de Parkinson, AMS = atrophie multi-systématisée)

Association de paramètre d’IRM avec données comportementales et génétique

Pendent mon post-doc au Karolinska Institutet j’ai pu montrer comment l’association entre index d’IRM et données d’autre type (comportementales ou génétiques) améliore la prédiction du comportement future ou de la réponse à un traitement (Nemmi et al., Dev Cogn Neurosci, 2016, 2018)

L’activité dans plusieurs régions cérébrales couplé à des mesures cognitives prédis l’efficacité d’un entrainement cognitif pour améliorer les habilités mathématiques

Le volume et la densité de matière grise du putamen prédisent le développement de la mémoire de travail entre 14 et 19 ans seulement en association avec l’information sur un polymorphisme du gène DAT1 (CC, TC ou TT).

Association d’IRM et TEP pour améliorer la compréhension de la pathologie cérébrale

Grace à l’association entre IRM morphologique et TEP amyloïde j’ai pu extraire les histogrammes de charge amyloïde dans la matière blanche et grise des patients Alzheimer et témoins. Une analyse multivariée des index issue des histogrammes de la matière blanche a montré, pour la première fois, que la fixation d’amyloïde dans la matière blanche est en relation avec la pathologie (Nemmi et al., Eur J Nucl Med Mol Imaging, 2014).

L’association d’IRM et TEP a aussi permis de montrer que si une normalisation spatial directe de données de TEP amyloïde sur un template est plus adapté pour l’utilisation clinique, la registration de données TEP sur l’IRM est plus adapté pour la recherche (Saint-Aubert*, Nemmi*, et al., Eur J Nucl Med Mol Imaging , 2014).

Illustration d’une méthode de registration directe et via le CT scan et l’IRM de l’imagerie PET amyloïde

IRM multiparamètrique et forme de noyaux sous-corticaux

Région des noyaux sous-corticaux (orange) qui mieux différentient entre patients parkinsoniens et témoins

La forme des noyaux sous-corticaux discrimine entre patients Parkinsoniens et sujets témoins mieux que leur volume. De plus, les informations sur la forme mais pas sur le volume de noyaux sous-corticaux corrèle avec la symptomatologie. (Nemmi et al., Neurobiol Aging, 2015).

Région des noyaux sous-corticaux (orange) qui mieux différentient entre patients Alzheimer et témoins

Utiliser la forme de noyaux sous-corticaux in association avec l’imagerie de diffusion ou de fer améliore la discrimination par rapport à l’imagerie de diffusion ou de fer seules pour des patients atteints de maladie d’Alzheimer (Eustache, Nemmi et al., J Alzheimer ‘s Dis, 2015)