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.