Un programme informatique capable de détecter et d’identifier automatiquement des lésions cérébrales

COMMUNIQUÉ | 11 JUIN 2018 - 11H05 | PAR INSERM (SALLE DE PRESSE)

NEUROSCIENCES, SCIENCES COGNITIVES, NEUROLOGIE, PSYCHIATRIE | TECHNOLOGIE POUR LA SANTE

La radiologie du futur viendra-t-elle du machine learning ? C’est en tous cas ce que pensent des chercheurs de l’Inserm et d’Inria qui travaillent en collaboration au sein d’Univ. Grenoble Alpes et qui ont développé un programme capable de localiser et de diagnostiquer différents types de tumeurs cérébrales par analyse d’images d’IRM. Ces analyses ont montré des résultats de haute fiabilité avec 100% de localisations exactes et plus de 90% de diagnostics corrects du type de tumeurs. Cette méthode innovante et ses résultats font l’objet d’une étude publiée dans la revue IEEE-TMI.

L’IRM, ou imagerie par résonance magnétique, est la technique d’imagerie médicale de référence dans l’obtention d’images très détaillées du cerveau car elle permet de mettre en évidence de nombreuses caractéristiques des tissus cérébraux.  L’IRM peut produire des images dites quantitatives, c’est-à-dire qui cartographient chacune un paramètre mesurable du cerveau (par exemple le débit sanguin, le diamètre vasculaire…). Bien que la qualité de ces images quantitatives soit plus indépendante du calibrage des appareils de mesure que celle des images classiques obtenues par IRM et qu’elle soit donc plus fiable, ce type de technique est encore peu utilisé en IRM clinique.

C’est sur des protocoles d’exploitation de ces images quantitatives que travaillent des chercheurs de l’Inserm en collaboration avec une équipe de recherche de d’Inria au sein d’Univ. Grenoble Alpes. Les chercheurs ont combiné différents outils mathématiques innovants, pour apprendre à un programme informatique à analyser les images quantitatives issues d’IRM cérébraux et à diagnostiquer d’éventuelles tumeurs.
Dans un premier temps, le programme a appris à reconnaître les caractéristiques de cerveaux en bonne santé. Confronté ensuite à des images de cerveaux atteints de cancers, il est ainsi devenu capable de localiser automatiquement les régions dont les caractéristiques divergent de celles des tissus en bonne santé et d’en extraire les particularités.
Enfin, pour apprendre à l’intelligence artificielle à discriminer les différents types de tumeurs, les chercheurs lui ont ensuite indiqué le diagnostic associé à chacune des images de cerveaux malades qui lui avaient été présentées.

Afin de tester les capacités du programme à différencier les tissus sains des tissus pathologiques, l’équipe de recherche lui a fourni des images qui lui étaient inconnues, issues tantôt de cerveaux en bonne santé, tantôt de cerveaux malades. Le programme devait indiquer si une tumeur était présente dans ces images et être capable de la caractériser. Et l’intelligence artificielle s’est montrée très bonne élève en réussissant à localiser parfaitement (100%) les lésions et à les diagnostiquer de façon très fiable (plus de 90%).

« Aujourd’hui, l’obtention d’images quantitatives ne correspond pas à ce qui se fait en routine clinique dans les services d’IRM », précise Emmanuel Barbier, chercheur Inserm responsable de l’étude. « Mais ces travaux montrent l’intérêt d’acquérir ce type d’images et éclairent les radiologues sur les outils d’analyse dont ils pourront disposer prochainement pour les aider dans leurs interprétations. »

D’ici là, l’équipe de recherche va s’intéresser aux images les plus pertinentes à acquérir pour diagnostiquer le plus finement et avec la plus grande fiabilité possible les tumeurs cérébrales. Elle va donc poursuivre le développement des outils mathématiques destinés à l’amélioration des capacités d’auto-apprentissage de ce programme ; l’objectif à terme étant de parvenir à étendre le potentiel diagnostique de cette intelligence artificielle à d’autres pathologies cérébrales, telles que Parkinson.
Ces outils de machine learning par IRM quantitative appliqués aux tumeurs cérébrales sont actuellement en cours d’évaluation dans le cadre du Plan Cancer porté par l’Inserm, au sein du Programme Hétérogénéité Tumorale et Ecosystème.

Leur développement dans le cadre du diagnostic de la maladie de Parkinson est également en cours via le projet pluridisciplinaire NeuroCoG sur financement IDEX de l’Université Grenoble Alpes.

 DOCUMENT      inserm     LIEN 

Une protéine essentielle à la réplication du virus chikungunya identifiée

COMMUNIQUÉ | 25 SEPT. 2019 - 19H00 | PAR INSERM (SALLE DE PRESSE)

IMMUNOLOGIE, INFLAMMATION, INFECTIOLOGIE ET MICROBIOLOGIE

Le chikungunya est une maladie infectieuse causée par un virus transmis à l’homme par les moustiques. Ce virus originaire d’Afrique a causé de récentes épidémies en Amérique, Asie, et dans l’Océan Indien, notamment sur l’Île de la Réunion. La maladie se caractérise par une forte fièvre et par des douleurs articulaires et musculaires intenses qui peuvent persister plusieurs mois. Les mécanismes de l’infection des cellules humaines par le virus chikungunya restent très mal compris. Sous la direction d’Ali Amara (Inserm, CNRS, Université de Paris) à l’Institut de Recherche de l’Hôpital Saint-Louis AP-HP, en collaboration avec l’équipe de Marc Lecuit (Institut Pasteur, Inserm, département des maladies infectieuses et tropicales de l’hôpital Necker-Enfants malades AP-HP et Université de Paris), des chercheurs ont identifié une protéine cruciale pour la réplication du virus dans ses cellules cibles. Ces travaux, publiés dans la revue Nature, ouvrent des perspectives thérapeutiques dans la lutte contre le chikungunya.

Originaire d’Afrique, le chikungunya porte bien son nom. Il signifie en langue makondée « l’Homme qui marche courbé », car les douleurs musculaires et articulaires sévères dont souffrent les patients les empêchent de se déplacer normalement et de mener leurs activités quotidiennes.

Si les manifestations cliniques de la maladie sont bien décrites, les mécanismes permettant au virus d’infecter les cellules humaines et de se multiplier sont encore mal compris. Plusieurs travaux avaient déjà identifié certains facteurs des cellules hôtes impliqués dans la réplication du virus. Cependant, aucun n’avait réussi à expliquer pourquoi le virus cible les cellules musculaires et celles des articulations de manière préférentielle, et engendre ces signes cliniques.

Les chercheurs viennent de montrer que la protéine FHL1 est un facteur cellulaire clé pour la réplication et la pathogénèse du virus chikungunya. FHL1 est une molécule présente majoritairement dans les cellules musculaires et les fibroblastes, les cibles privilégiées du virus. En temps normal, FHL1 participe au fonctionnement du muscle sain, et serait détournée de cette fonction par le virus pour assurer sa réplication dans les cellules cibles.

Pour conduire cette étude, l’équipe d’Ali Amara a effectué un criblage systématique du génome de cellules humaines par la technologie dite de CRISPR-Cas9 afin d’identifier les facteurs de l’hôte nécessaires à la réplication virale. Elle a ainsi isolé le gène codant pour la protéine FHL1. L’équipe a ensuite conduit une série d’expériences montrant l’incapacité du virus à infecter des cellules dont l’expression de FHL1 a été abolie.
De plus, les chercheurs ont montré que le virus était incapable de se multiplier dans des cellules issues de patients souffrant d’une pathologie génétique rare, la dystrophie musculaire d’Emery Dreifuss. Chez ces malades, la pathologie musculaire dont ils souffrent résulte de mutations du gène FHL1 responsables de la dégradation de la protéine FHL1. Les chercheurs ont montré que les cellules de ces patients sont résistantes au virus.

Enfin, les chercheurs ont effectué des expériences in vivo chez des souris dont le gène Fhl1 est invalidé. Ils ont montré que ces animaux sont totalement résistants à l’infection et ne développent pas de maladie, alors que le virus se multiplie et induit d’importantes lésions musculaires chez les souris exprimant une protéine FHL1 fonctionnelle. Ces observations démontrent que la protéine FHL1 joue un rôle clé dans la réplication et la pathogénèse du virus chikungunya.
Le rôle précis de FHL1 dans l’infection virale n’est pas encore entièrement compris. Les chercheurs ont découvert que FHL1 interagit avec une protéine virale connue sous le nom de nsP3. C’est en se liant à celle-ci que FHL1 participe à la réplication du virus.
« Nous voulons maintenant comprendre les détails moléculaires de cette interaction. La prochaine étape est de définir pourquoi FHL1 est si spécifique du virus chikungunya, et de déchiffrer au niveau moléculaire son mode d’action. La résolution de la structure moléculaire du complexe FHL1-nsP3 pourrait constituer une avancée majeure dans le développement d’antiviraux bloquant la réplication du virus », soulignent Ali Amara et Laurent Meertens, chercheurs Inserm responsables de l’étude.
A l’heure actuelle, seuls des traitements symptomatiques sont disponibles pour les patients souffrant d’une infection par le virus chikungunya.

  DOCUMENT        inserm        LIEN

Un outil pour prédire le déclin cognitif dans la maladie de Parkinson 10 ans après son apparition

COMMUNIQUÉ | 29 JUIN 2017 - 14H21 | PAR INSERM (SALLE DE PRESSE)

NEUROSCIENCES, SCIENCES COGNITIVES, NEUROLOGIE, PSYCHIATRIE


Une étude internationale à laquelle ont participé des médecins de l’AP-HP et des chercheurs de l’Inserm, de l’UPMC, et du CNRS au sein de l’ICM s’est penchée sur l’identification d’un score clinico-génétique prédictif du déclin cognitif chez les patients atteints de la maladie de Parkinson. Le déclin cognitif est une des caractéristiques les plus handicapantes qui se manifeste chez certains patients au cours de la maladie de Parkinson. Pouvoir prédire son apparition dix ans après le déclenchement de la maladie représente un intérêt majeur pour la prise en charge et la mise en place d’essais cliniques ciblés pour ces patients.
Cette étude, publiée dans The Lancet Neurology et financée notamment par les NIH, associe des équipes américaines de  la Harvard Medical School et de Brigham and women’s hospital (Boston).

Après quelques années de vie avec la maladie de Parkinson, les patients peuvent souffrir de déficits des fonctions cognitives, en plus des troubles du mouvement qui caractérisent la maladie. Dans cette étude, les chercheurs ont construit un algorithme pour identifier les patients les plus sujets au déclin cognitif. Il a été conçu à partir des données cliniques et génétiques issues de 9 cohortes de patients atteints de la maladie de Parkinson en Europe et en Amérique du Nord, soit près de 3200 patients suivis pendant 30 ans, de 1986 à 2016.

En France, la cohorte DIG-PD promue par l’AP-HP et coordonnée par le Pr Jean-Christophe Corvol du Département de Neurologie et responsable du Centre d’Investigation Clinique à l’hôpital de la Pitié Salpêtrière, est issue du projet, appelé « Interaction gène/médicament et maladie de Parkinson – DIG-PD ». La cohorte française a suivi plus de 400 patients annuellement pendant 6 années.

Plusieurs facteurs ont été pris en compte et analysés. L’âge de déclenchement de la maladie, la sévérité motrice et cognitive, le niveau d’éducation, le sexe, la dépression ou encore la mutation du gène de la β-glucocérébrosidase s’avèrent être les prédicteurs les plus importants du déclin cognitif et ont été ajoutés au modèle prédictif développé par les chercheurs. L’étude révèle également que l’éducation aurait un rôle dans la survenue du déclin et que ce facteur serait associé à une « réserve cognitive » dont les patients disposeraient.

A partir de ces données, le score clinique développé par les chercheurs prédit de manière précise et reproductible l’apparition des troubles cognitifs dans les 10 ans qui suivent le déclenchement de la maladie. Il a été mis au point grâce à des analyses génétiques et cliniques issues des 9 cohortes, soit plus de 25 000 données associées analysées.
Cet outil représente un intérêt majeur pour le pronostic du déclin cognitif chez les patients atteints de la maladie de Parkinson. Il pourrait également permettre d’identifier de manière plus précise les patients à haut risque de développer de tels troubles pour leur permettre d’anticiper une prise en charge adaptée ou de participer à des essais cliniques ciblés.

DOCUMENT      inserm     LIEN 

Un programme informatique capable de détecter et d’identifier automatiquement des lésions cérébrales

COMMUNIQUÉ | 11 JUIN 2018 - 11H05 | PAR INSERM (SALLE DE PRESSE)

NEUROSCIENCES, SCIENCES COGNITIVES, NEUROLOGIE, PSYCHIATRIE | TECHNOLOGIE POUR LA SANTE


La radiologie du futur viendra-t-elle du machine learning ? C’est en tous cas ce que pensent des chercheurs de l’Inserm et d’Inria qui travaillent en collaboration au sein d’Univ. Grenoble Alpes et qui ont développé un programme capable de localiser et de diagnostiquer différents types de tumeurs cérébrales par analyse d’images d’IRM. Ces analyses ont montré des résultats de haute fiabilité avec 100% de localisations exactes et plus de 90% de diagnostics corrects du type de tumeurs. Cette méthode innovante et ses résultats font l’objet d’une étude publiée dans la revue IEEE-TMI.

L’IRM, ou imagerie par résonance magnétique, est la technique d’imagerie médicale de référence dans l’obtention d’images très détaillées du cerveau car elle permet de mettre en évidence de nombreuses caractéristiques des tissus cérébraux.  L’IRM peut produire des images dites quantitatives, c’est-à-dire qui cartographient chacune un paramètre mesurable du cerveau (par exemple le débit sanguin, le diamètre vasculaire…). Bien que la qualité de ces images quantitatives soit plus indépendante du calibrage des appareils de mesure que celle des images classiques obtenues par IRM et qu’elle soit donc plus fiable, ce type de technique est encore peu utilisé en IRM clinique.
C’est sur des protocoles d’exploitation de ces images quantitatives que travaillent des chercheurs de l’Inserm en collaboration avec une équipe de recherche de d’Inria au sein d’Univ. Grenoble Alpes. Les chercheurs ont combiné différents outils mathématiques innovants, pour apprendre à un programme informatique à analyser les images quantitatives issues d’IRM

Dans un premier temps, le programme a appris à reconnaître les caractéristiques de cerveaux en bonne santé. Confronté ensuite à des images de cerveaux atteints de cancers, il est ainsi devenu capable de localiser automatiquement les régions dont les caractéristiques divergent de celles des tissus en bonne santé et d’en extraire les particularités.

Enfin, pour apprendre à l’intelligence artificielle à discriminer les différents types de tumeurs, les chercheurs lui ont ensuite indiqué le diagnostic associé à chacune des images de cerveaux malades qui lui avaient été présentées.

Afin de tester les capacités du programme à différencier les tissus sains des tissus pathologiques, l’équipe de recherche lui a fourni des images qui lui étaient inconnues, issues tantôt de cerveaux en bonne santé, tantôt de cerveaux malades. Le programme devait indiquer si une tumeur était présente dans ces images et être capable de la caractériser. Et l’intelligence artificielle s’est montrée très bonne élève en réussissant à localiser parfaitement (100%) les lésions et à les diagnostiquer de façon très fiable (plus de 90%).

« Aujourd’hui, l’obtention d’images quantitatives ne correspond pas à ce qui se fait en routine clinique dans les services d’IRM », précise Emmanuel Barbier, chercheur Inserm responsable de l’étude. « Mais ces travaux montrent l’intérêt d’acquérir ce type d’images et éclairent les radiologues sur les outils d’analyse dont ils pourront disposer prochainement pour les aider dans leurs interprétations. »

D’ici là, l’équipe de recherche va s’intéresser aux images les plus pertinentes à acquérir pour diagnostiquer le plus finement et avec la plus grande fiabilité possible les tumeurs cérébrales. Elle va donc poursuivre le développement des outils mathématiques destinés à l’amélioration des capacités d’auto-apprentissage de ce programme ; l’objectif à terme étant de parvenir à étendre le potentiel diagnostique de cette intelligence artificielle à d’autres pathologies cérébrales, telles que Parkinson.
Ces outils de machine learning par IRM quantitative appliqués aux tumeurs cérébrales sont actuellement en cours d’évaluation dans le cadre du Plan Cancer porté par l’Inserm, au sein du Programme Hétérogénéité Tumorale et Ecosystème.

Leur développement dans le cadre du diagnostic de la maladie de Parkinson est également en cours via le projet pluridisciplinaire NeuroCoG sur financement IDEX de l’Université Grenoble Alpes.

DOCUMENT        inserm        LIEN