Le mardi 14 décembre à 14h, Mr Alban Gallard soutient sa thèse intitulée "Analyse échographique multivariée de la fonction cardiaque intégrant traitement du signal et machine learning", devant le jury composé de:
- Eloi Marijon, Hôpital Européen George-Pompidou, Paris (rapporteur)
- Freddy Odille, IADI, Nancy (rapporteur)
- Anne Bernard, CHU de Tours, Tours (examinateur)
- Mathieu Pernot, Physics for Medicine, Paris (examinateur)
- Elena Galli, CHU de Rennes, Rennes (examinateur)
- Erwan Donal, CHU de Rennes, Rennes (directeur de thèse)
- Alfredo Hernandez, LTSI, Rennes (co-directeur de thèse)
Résumé
La thérapie de resynchronisation cardiaque (CRT) permet de soigner des cas spécifiques d’insuffisance cardiaque. Les patients ne présentent malheureusement aucune amélioration dans 30% des cas. Il est par conséquent nécessaire de bien sélectionner les candidats susceptibles de répondre à la CRT. La littérature propose de nouvelles caractéristiques pour la sélection des patients mais aucune n’a réussi à intégrer les directives. Notre équipe a cherché à montrer l’intérêt des caractéristiques issues des courbes de déformations du ventricule gauche. Ainsi, nous avons travaillé sur l’utilisation de l’apprentissage automatique pour sélectionner les caractéristiques les plus significatives pour déterminer la réponse à la CRT. Deux méthodes ont été utilisées pour la sélection des caractéristiques. La première utilise une méthode de regroupement non-supervisée pour associer les patients aux caractéristiques similaires afin de former des groupes et observer les caractéristiques les plus significatives à la séparation entre les répondeurs et non-répondeurs. La deuxième utilise la méthode OOB basée sur les forêts d’arbres pour ordonner les caractéristiques selon leur importance pour estimer la réponse à la CRT. L’objectif final a été la classification des patients pour prédire la réponse à la CRT. Pour cela, un processus d’apprentissage comprenant une phase de sélection des caractéristiques et une phase de classification à l’aide de la méthode de Monte-Carlo appliquée aux forêts d’arbres a permis une meilleure détection des candidats susceptibles de répondre à la CRT.
https://youtu.be/3j_gK5Bt_sg