Investigation de biomarqueurs rétiniens pour la cognition et l'Alzheimer à partir du fundus

Introduction : La maladie d'Alzheimer représente plus de 60% des formes de démence chez la population vieillissante. Il n'existe actuellement aucun traitement disponible pour ralentir ou arrêter la progression de la maladie, principalement parce que le diagnostic n'est pas facile à établir tôt. L'accumulation de bêta-amyloïde dans le cerveau est considéré comme un facteur de risque important menant au développement de la maladie d'Alzheimer. L'imagerie par émission de positrons (TEP) est la seule méthode cliniquement viable qui permet actuellement de confirmer la présence in vivo de plaques d'amyloïdes dans le cerveau. Toutefois, cette modalité est très coûteuse et invasive ce qui la rend inadéquate pour une application à grande échelle. Ainsi, afin de permettre de construire des études cliniques qui pourront tester des traitements préventifs, il faut élaborer un moyen d'identifier les individus à risque de développer la maladie d'Alzheimer le plus tôt possible. Il est possible d'imager le cerveau par l'entremise de l'œil qui offre une vue directe sur le système nerveux central. Selon l'hypothèse que la maladie d'Alzheimer et la cognition se manifestent dans la rétine, les objectifs sont donc de 1) Développer une méthode de segmentation basée sur l'imagerie hyperspectrale pour segmenter/discriminer les artères/veines afin d'améliorer la plateforme de phénotypage Aβ d'Optina Diagnostic et 2) Développer une méthode permettant d'évaluer si la cognition d'un individu peut être prédite à partir d'une image RGB de sa rétine et de métadonnées. Méthode : Pour le premier objectif, un modèle d'apprentissage profond tirant avantage de l'information hyperspectrale des images d'Optina Diagnostic est développé pour segmenter les vaisseaux. Ce dernier est basé sur la combinaison du LadderNet avec le CRU-Net afin d'obtenir le Cascade-LadderNet. L'entrainement, la validation et la phase de tests s'effectuent sur 172 images hyperspectrales annotées par Optina Diagnostic. Pour le second objectif, un modèle d'apprentissage profond préentrainé sur ImageNet, EfficientNet, est utilisé afin de prédire la cognition à partir d'une image de fundus. L'architecture est également modifiée de manière à inclure les métadonnées dans le processus de prédiction. Cette solution est développée en utilisant les données de l'Étude Longitudinale Canadienne sur le Vieillissement (ÉLCV) qui comporte plus de 60 000 images uniques de fundus. Résultats : Pour le premier objectif, le modèle proposé performe mieux que l'état de l'art pour la segmentation/discrimination d'artères et veines. La métrique Dice atteinte par la méthode proposée est supérieure à l'état de l'art pour les vaisseaux (0.904 vs 0.898) et les veines (0.893 vs 0.833), mais pas pour les artères (0.820 vs 0.860). Pour le second objectif, il a été possible d'obtenir un modèle qui en utilisant les images de fundus et les métadonnées était capable d'expliquer 22,4% de la variance des scores cognitifs dans l'ensemble des données de test. Les métadonnées se sont avérées plus efficaces pour expliquer la variance dans l'échantillon (20,4%) par rapport aux images de fundus (9,3%). Toutefois, les meilleurs résultats ont été obtenus lorsque les deux modalités étaient combinées. Conclusion : Il a été possible de répondre aux 2 objectifs. D'abord, une nouvelle méthode de segmentation et de discrimination des vaisseaux basée sur des images hyperspectrales a été développée. Ensuite, l'apprentissage profond a permis de relier les métadonnées et les images de fundus aux scores cognitifs de la cohorte de l'ÉLCV démontrant qu'il est possible de prédire la cognition à partir de la rétine. L'atteinte de ces deux objectifs aidera certainement de futures recherches à identifier plus facilement des biomarqueurs permettant de détecter plus tôt la maladie d'Alzheimer.

Abstract

Introduction: Alzheimer's disease accounts for more than 60% of dementia cases in the aging population. There is currently no treatment available to slow or stop the progression of the disease, mainly because diagnosis is not easy to establish early. Accumulation of beta-amyloid in the brain is considered a significant risk factor leading to the development of Alzheimer's disease. Positron emission imaging (PET) is the only clinically viable method currently used to confirm the presence of amyloid plaques in the brain in vivo. However, this modality is very expensive and invasive making it unsuitable for large-scale application. Thus, in order to build clinical studies that can test preventive treatments, a means must be developed to identify individuals at risk of developing Alzheimer's disease as soon as possible. The brain can be imaged through the eyes, which provides a window to the central nervous system. Knowing that Alzheimer's disease and cognition can manifest in the retina, the objectives are therefore 1) Develop a deep learning segmentation method based on hyperspectral imaging to segment/discriminate arteries/veins in order to improve the Aβ phenotyping platform of Optina Diagnostic and 2) Develop a deep learning method able to predict the cognition of an individual from an RGB image of his retina and metadata. Methods: For the first objective, a deep learning model using hyperspectral information from Optina Diagnostic images is developed to segment vessels. The latter is based on the combination of LadderNet with CRU-Net in order to obtain the Cascade-LadderNet. The training, validation and testing phase is carried out on 172 hyperspectral images annotated by Optina Diagnostic. For the second objective, a pre-trained deep learning model on ImageNet, EfficientNet, is used to predict cognition from a fundus image. The architecture is also modified to include metadata in the prediction process. This solution is developed using data from the Canadian Longitudinal Study on Aging (CLSA) which include more than 60 000 unique fundus images. Results: For the first objective, the proposed model performs better than the state of the art for segmentation and discrimination of arteries and veins. The Dice score achieved by the proposed method was higher than the state of the art for vessels (0.904 vs 0.898) and veins (0.893 vs 0.833), but not for arteries (0.820 vs 0.860). For the second objective, the proposed model was able to explain 22.4% of the variance of cognitive scores in all test data using fundus images and metadata. Metadata proved to be more effective in explaining variance in the test samples (20.4%) versus fundus images (9.3%). However, best results were achieved when both modalities were combined. Conclusion: It was possible to achieve both objectives. First, a novel method for vessel segmentation and discrimination based on hyperspectral images was proposed. Second, a deep learning approach was able to link metadata and retinal fundus to the cognitive scores of the CLSA cohort demonstrating that it is possible to predict cognition from the retina. The achievement of these two objectives will certainly help future research to more easily identify biomarkers for earlier detection of Alzheimer's disease.