Intelligence Artificielle et santé : approches interdisciplinaires

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.

References

1. Irpino and Verde (2015). Linear regression for numeric symbolic variables: a least squares approach based on Wasserstein Distance. Advances in Data Analysis and Classification, v.9, n.1,p.81–106.