Marie-Félicia

Marie-Félicia

PhD student

Talks and presentations

2023 IMS International Conference on Statistics and Data Science (ICSDS)

December 18, 2023

We are interested in evaluating the efficacy of Benralizumab, a medication to treat asthma, by using tomography scans captured during expiration and inspiration before and after one year of treatment. The medical working hypothesis posits that patients with improved conditions will exhibit enhanced expiration scans after treatment, which is manifested by higher Hounsfield unit values. This results in a shift to the right in the histogram built from post-treatment image compared to the pre-treatment one. Irpino and Verde mimicked the classical linear regression method so that it can be applied to quantile functions instead of real-valued observations. We generalize their approach and obtain confidence intervals and laws of the estimators in the model via a maximum likelihood approach.The model was implemented in a Python code and applied to a real data set of patients treated. Ongoing research aims to predict 2D-histograms post-treatment from CT scans during inspiration and expiration after registration, along with corresponding pre-treatment histograms, while including scalar covariates.

Intelligence Artificielle et santé : approches interdisciplinaires

June 01, 2022

Le traitement par benralizumab est un traitement contre l’asthme dont nous voudrions prédire l’efficacité. Les questionnaires de qualité de vie ACQ (Asthma Control Questionnaire) montrent une nette amélioration pour les patients traités. L’enjeu est d’utiliser les données d’imagerie médicale afin de permettre une mesure plus objective de la réponse au traitement. La problématique est donc de prédire la réponse au traitement à l’aide des données d’imagerie scanner. Les données à disposition pour chaque patient sont les images scanner en expiration et en inspiration, les résultats des questionnaires ACQ, les données de spirométrie avant traitement, à 6 mois et à un an. Après segmentation des images, nous calculons les histogrammes. L’hypothèse est qu’un patient dont l’état s’est amélioré, aura une meilleur expiration après traitement, ce qui se traduit à l’image par des plus hautes valeurs d’HU (Hounsfield Unit), c’est-`a-dire un décalage entre avant et après traitement de l’histogramme vers la droite. Nous construisons donc un modèle de régression, non pas sur des points comme usuellement mais sur les histogrammes eux-mêmes. Les histogrammes sont transformés en quantiles et nous utilisons la distance de Wasserstein. Ainsi, comme pour une régression classique, nous pouvons calculer explicitement les coefficients de notre régression.