Seeing the EpileptogenIc Zone through machine Learning on strUctuRal, functional and clinical nEurological data
(SEIZURE)
Le projet SEIZURE vise à développer des outils d’intelligence artificielle pour améliorer le diagnostic et le pronostic chirurgical des patients épileptiques pharmacorésistants, pour lesquels la chirurgie est le seul traitement curatif.
Concrètement, le projet cherche à : i) Localiser la zone épileptogène (ZE) , la région cérébrale à l’origine des crises, de manière plus précise et automatisée, en combinant plusieurs modalités d’imagerie (IRM multiparamétrique, TEP, MEG) et des données cliniques. ii) Prédire le succès chirurgical à l’échelle individuelle, ce qui reste aujourd’hui très incertain (taux de succès estimé entre 50 et 80 %). iii) Développer des méthodes d’apprentissage automatique innovantes capables de fusionner des données hétérogènes (images, signaux électrophysiologiques, données cliniques), même incomplètes, dans un cadre unifié.
Introduction
L’épilepsie est une maladie neurologique fréquente qui touche environ 800 000 personnes en France. Chez près de 30 % des patients, les médicaments ne suffisent pas à contrôler les crises : on parle alors d’épilepsie pharmacorésistante. Pour ces patients, la chirurgie est le seul traitement potentiellement curatif. Elle consiste à retirer la région du cerveau à l’origine des crises, appelée zone épileptogène (ZE). Mais identifier précisément cette zone est un défi majeur. Aujourd’hui, les médecins s’appuient sur plusieurs examens complémentaires : IRM, TEP, MEG, enregistrements intracrâniens , et combinent ces informations de manière empirique, ce qui demande une grande expertise et reste imparfait. Le taux de succès chirurgical ne dépasse pas 50 à 80 % selon les études. C’est dans ce contexte que s’inscrit le projet SEIZURE : exploiter la puissance de l’intelligence artificielle pour analyser et fusionner automatiquement ces données complexes et hétérogènes, afin d’aider les cliniciens à mieux localiser la ZE et à mieux prédire les chances de succès de l’opération.
Équipe de recherche
Investigateur principal : Carole Lartizien (DR CNRS, CREATIS Lyon) & Julien Jung (professeur associé de neurologie, HCL & CRNL, Lyon)
Partenaires académiques du consortium SEIZURE
-
CRNL (Centre de Recherche en Neurosciences de Lyon)
Responsable : Romain Quentin (CR INSERM)
Pauline Mouches (Post-doc)
Romain Bouet (IR INSERM)
Denis Schwartz (IR INSERM) -
CREATIS, Lyon
Coordinatrice : Carole Lartizien (DR CNRS)
Robin Trombetta (doctorant) -
HCL (Hospices Civils de Lyon)
Responsable : Julien Jung (MD-PhD)
Claire Haegelen (MD-PhD)
Karine Ostrowsky-Coste (MD-PhD)
Marc Hermier (MD-PhD) -
ENS de Lyon (ENSL)
Responsable : Pierre Borgnat (DR CNRS)
Paulo Goncalves (DR Inria)
Elias Boulanger (doctorant)
Contexte scientifique et justification
L’épilepsie touche 800 000 personnes en France, dont 30 % sont résistantes aux médicaments. Pour ces patients, la chirurgie de résection de la zone épileptogène (ZE) est le seul traitement curatif, mais son succès reste limité (50 à 80 %) en raison de la difficulté à localiser précisément la ZE.
Le bilan pré-chirurgical repose sur plusieurs modalités d’imagerie complémentaires, IRM, TEP, MEG et EEG intracrânien, interprétées aujourd’hui par des experts, ce qui le rend long et sujet à des difficultés d’interprétation.
Les méthodes automatisées existantes traitent ces données de façon séparée et unimodale, alors que la combinaison des modalités est reconnue comme supérieure cliniquement.
De plus, elles peinent à gérer la rareté des données annotées et les modalités manquantes, fréquentes en pratique. Les récentes avancées en intelligence artificielle, apprentissage profond, apprentissage auto-supervisé, fusion multimodale, offrent désormais les outils pour relever ces défis.
Le projet SEIZURE propose donc de développer un cadre d’IA intégré, capable de fusionner l’ensemble de ces données hétérogènes pour améliorer la détection de la ZE et prédire le succès chirurgical à l’échelle individuelle, s’appuyant sur l’expertise complémentaire de quatre partenaires lyonnais et sur la base de données multimodale unique EPIL-IA.
Objectif
-
Objectif principal
Développer un cadre d’intelligence artificielle intégré pour améliorer la localisation de la zone épileptogène (ZE) et prédire le succès chirurgical chez les patients épileptiques pharmacorésistants, en fusionnant des données multimodales (IRM, TEP, MEG, données cliniques).
-
WP1 — Constituer et phénotyper une base de données multimodale unique de patients épileptiques (EPIL-IA)
-
WP2 — Détecter automatiquement la ZE par apprentissage profond appliqué à l’IRM et à la TEP
-
WP3 — Localiser la ZE et ses réseaux associés par apprentissage profond appliqué à la MEG
-
WP4 — Fusionner l’ensemble des biomarqueurs dans un cadre d’IA unifié pour le diagnostic et le pronostic
Objectifs secondaires
- Améliorer la détection des lésions épileptogènes peu visibles ou invisibles à l’IRM
- Automatiser la détection et la localisation des spikes MEG
- Modéliser les réseaux épileptogènes dynamiques
- Développer des modèles robustes aux données manquantes et aux annotations partielles
- Évaluer cliniquement les outils développés en conditions réelles sur la base EPIL-IA
Méthodologie
Le projet s’articule autour de quatre axes complémentaires et progressifs. Dans un premier temps, une base de données multimodale unique (EPIL-IA) est constituée, annotée et formatée par les cliniciens des HCL. En parallèle, des modèles d’apprentissage profond sont développés séparément pour analyser les données d’imagerie structurelle (IRM, TEP) d’une part, et les signaux MEG d’autre part, afin de générer des cartes de localisation de la ZE.
Ces biomarqueurs extraits de chaque modalité sont ensuite fusionnés dans un cadre d’IA unifié, combinant apprentissage auto-supervisé et stratégies de fusion tardive, capable de gérer des données hétérogènes et incomplètes. L’ensemble des modèles est évalué en continu par les experts cliniques des HCL, dont les retours permettent d’affiner itérativement les algorithmes tout au long des 48 mois du projet.
Résultats attendus et impact
Le projet vise à produire des modèles d’IA performants pour la détection automatique de la zone épileptogène et la prédiction du succès chirurgical, en s’appuyant sur la fusion inédite de données IRM, TEP, MEG et cliniques. Il aboutira à une base de données multimodale unique et annotée (EPIL-IA), ainsi qu’à des outils évalués en conditions cliniques réelles. À terme, ces résultats devraient améliorer concrètement la prise en charge des patients épileptiques pharmacorésistants et compléter l’expertise individuelle des cliniciens.
Calendrier prévisionnel
Le projet se déroule sur 48 mois (Déc 2024- Déc 2028), avec une première phase consacrée à la constitution de la base de données et au développement des modèles unimodaux (T0-T24), suivie d’une seconde phase dédiée à la fusion multimodale, à l’évaluation clinique et à la validation finale des outils (T24-T48).
Durée estimée
48 mois- Déc 2024- Déc 2028
Financement et ressources
ANR Appel à projets 2024 CES 45 Mathematics and digital sciences for biology and health
