Sujet de Thèse
Titre :
Fusion d'information clinique dans un réseau de neurones pour l'optimisation de la performance diagnostique du syndrome d'apnée du sommeil
Dates :
2023/04/07 - 2026/04/06
Etudiant :
Encadrant(s) :
Autre(s) encadrant(s) :
BOUGRAIN Laurent (laurent.bougrain@loria.fr)
, GUYOT Pauline (pguyot@noviga.eu)
Description :
Contexte :
Le syndrome d'apnées du sommeil (SAS) est un trouble de la ventilation nocturne qui se caractérise par la survenue répétitive et transitoire de diminution (hypopnée) ou d'arrêt total (apnée) de la respiration pendant le sommeil. On distingue deux types de syndrome : le syndrome obstructif (qui représente 90% des cas) et le syndrome central. Dans les deux cas, l'arrêt de la respiration provoque une diminution du taux d'oxygène dans le sang et force le cerveau à réagir : la personne se réveille pour reprendre sa respiration sans en être consciente. Un SAS non traité présente plusieurs risques à court et long termes [1, 2]. L'outil de référence pour diagnostiquer cette pathologie est la polysomnographie : il s'agit d'un examen qui se réalise à l'hôpital lors d'une à deux nuits au cours desquelles le patient doit dormir avec une vingtaine de capteurs à porter sur tout le corps. La polygraphie ventilatoire est un examen alternatif qui peut être proposé à des patients sans comorbidités et réalisé en ambulatoire, au domicile du patient mais qui n'est pas toujours fiable selon la qualité des signaux.
Dans ce contexte, il devient nécessaire de proposer de nouvelles solutions de dépistage ambulatoire et de prévention afin d'améliorer la prise en charge des. C'est dans cette optique qu'une thèse a permis de mettre au point une méthode de détection d'un syndrome d'apnées du sommeil depuis un signal d'électrocardiogramme (ECG) [4]. La start-up NOVIGA a été créé pour valoriser et exploiter ces travaux. À partir d'un unique enregistrement d'électrocardiogramme Holter et grâce à un algorithme de machine learning, une plateforme a été spécialement conçue pour la détection et la classification des évènements respiratoires nocturnes pathologiques.
Sujet de thèse :
La version actuelle des algorithmes issus de la thèse [4] utilisent des classifieurs statistiques et l'analyse morphologique. Une piste d'amélioration de l'algorithme est l'intégration de méthodes de deep learning qui ont fait leur preuve dans plusieurs articles. En effet, de nombreux travaux ont été publiés au cours des cinq dernières années [5,6,7,8] proposant une détection des événements apnéiques depuis un simple signal ECG. Plusieurs choix algorithmiques sont possibles pour chaque étape :
- Pré-traitement : filtrage du signal (débruitage de la ligne de base, de l'interférence 50Hz, du bruit musculaire, ...), calculs de features basés sur le Heart Rate Variability (HRV), calcul de spectrogramme, etc.
- Classifieur : Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), combinaison de ces méthodes (CNN + LSTM par exemple), ...
- Données d'entrée du réseau : signal 1D (signal ECG « brut »), matrice 2D (spectrogramme par exemple). Il est également possible de fournir d'autres signaux dérivés de l'ECG tels que, par exemple, l'estimation de la position du patient ou des stades du sommeil.
A noter que de nombreuses bases de données sont disponibles en ligne pour valider ces méthodes, toutes annotées par des médecins. Les signaux disponibles peuvent varier, allant de la polysomnographie complète ou à de simples ECGs avec un signal de respiration simultané. La plus connue est Apnea-ECG Database sur le site Physionet [9], mais d'autres plus conséquentes ont été mises en ligne sur le site National Sleep Research Resource [10], notamment la base STAGES ou MrOS.
L'innovation de cette thèse repose dans l'apport des informations cliniques dans la performance du réseau. La fusion de données cliniques dans un réseau, peu importe sa nature (CNN, LSTM, etc) est un sujet récent et quelques articles traitent de cette problématique mais aucun sur le thème de l'apnée du sommeil. La majorité de ces publications sont basés sur des réseaux 2D avec des images IRM [11,12,13] ou des images de peau [14].
Bibliographie :
[1] Burks SV et al. Nonadherence with Employer-Mandated Sleep Apnea Treatment and Increased Risk of Serious Truck Crashes. Sleep. 2016 May 1;39(5):967-75. doi: 10.5665/sleep.5734. PMID: 27070139; PMCID: PMC4835318.
[2] « L'apnée du sommeil augmente significativement les risques cardiovasculaires », FFC. https://www.fedecardio.org/presse/l-apnee-du-sommeil-augmente-significativement-les-risques-cardio-vasculaires/
[3] Adam V Benjafield et al. "Estimation of the global prevalence and burden of obstructive sleep apnoea: a literature-based analysis". The Lancet Respiratory Medicine, Volume 7, Issue 8, 2019.
[4] Pauline Guyot. Modélisation et analyse du signal électrocardiographique pour l'étude du système cardio-respiratoire. Application au syndrome d'apnées du sommeil. Thèse 2019 - Université de Lorraine & CRAN.
[5] Zhang J et al. Automatic Detection of Obstructive Sleep Apnea Events Using a Deep CNN-LSTM Model. Comput Intell Neurosci. 2021 Mar 22;2021:5594733.
[6] Urtnasan E et al. Identification of Sleep Apnea Severity Based on Deep Learning from a Short-term Normal ECG. J Korean Med Sci. 2020 Dec 7;35(47):e399.
[7] Chang HY et al. A Sleep Apnea Detection System Based on a One-Dimensional Deep Convolution Neural Network Model Using Single-Lead Electrocardiogram. Sensors (Basel). 2020 Jul 26;20(15):4157.
[8] T. Van Steenkiste et al. "Automated Sleep Apnea Detection in Raw Respiratory Signals Using Long Short-Term Memory Neural Networks," in IEEE Journal of Biomedical and Health Informatics, vol. 23, no. 6, pp. 2354-2364, Nov. 2019.
[9] T Penzel et al. The Apnea-ECG Database. Computers in Cardiology 2000 ; 27:255-258.
[10] R. Mueller, « Sleep Data - National Sleep Research Resource - NSRR ». https://sleepdata.org/
[11] Huang SC et al. Fusion of medical imaging and electronic health records using deep learning: a systematic review and implementation guidelines. NPJ Digit Med. 2020 Oct 16;3:136.
[12] Hatami, Nima et al. CNN-LSTM Based Multimodal MRI and Clinical Data Fusion for Predicting Functional Outcome in Stroke Patients. arXiv preprint arXiv:2205.05545, 2022.
[13] Leming, Matthew et al. Multi-confound regression adversarial network for deep learning-based diagnosis on highly heterogenous clinical data. arXiv preprint arXiv:2205.02885, 2022.
[14] Nunnari, Fabrizio et al. "A Study on the Fusion of Pixels and Patient Metadata in CNN-Based Classification of Skin Lesion Images." CD-MAKE (2020).
Le syndrome d'apnées du sommeil (SAS) est un trouble de la ventilation nocturne qui se caractérise par la survenue répétitive et transitoire de diminution (hypopnée) ou d'arrêt total (apnée) de la respiration pendant le sommeil. On distingue deux types de syndrome : le syndrome obstructif (qui représente 90% des cas) et le syndrome central. Dans les deux cas, l'arrêt de la respiration provoque une diminution du taux d'oxygène dans le sang et force le cerveau à réagir : la personne se réveille pour reprendre sa respiration sans en être consciente. Un SAS non traité présente plusieurs risques à court et long termes [1, 2]. L'outil de référence pour diagnostiquer cette pathologie est la polysomnographie : il s'agit d'un examen qui se réalise à l'hôpital lors d'une à deux nuits au cours desquelles le patient doit dormir avec une vingtaine de capteurs à porter sur tout le corps. La polygraphie ventilatoire est un examen alternatif qui peut être proposé à des patients sans comorbidités et réalisé en ambulatoire, au domicile du patient mais qui n'est pas toujours fiable selon la qualité des signaux.
Dans ce contexte, il devient nécessaire de proposer de nouvelles solutions de dépistage ambulatoire et de prévention afin d'améliorer la prise en charge des. C'est dans cette optique qu'une thèse a permis de mettre au point une méthode de détection d'un syndrome d'apnées du sommeil depuis un signal d'électrocardiogramme (ECG) [4]. La start-up NOVIGA a été créé pour valoriser et exploiter ces travaux. À partir d'un unique enregistrement d'électrocardiogramme Holter et grâce à un algorithme de machine learning, une plateforme a été spécialement conçue pour la détection et la classification des évènements respiratoires nocturnes pathologiques.
Sujet de thèse :
La version actuelle des algorithmes issus de la thèse [4] utilisent des classifieurs statistiques et l'analyse morphologique. Une piste d'amélioration de l'algorithme est l'intégration de méthodes de deep learning qui ont fait leur preuve dans plusieurs articles. En effet, de nombreux travaux ont été publiés au cours des cinq dernières années [5,6,7,8] proposant une détection des événements apnéiques depuis un simple signal ECG. Plusieurs choix algorithmiques sont possibles pour chaque étape :
- Pré-traitement : filtrage du signal (débruitage de la ligne de base, de l'interférence 50Hz, du bruit musculaire, ...), calculs de features basés sur le Heart Rate Variability (HRV), calcul de spectrogramme, etc.
- Classifieur : Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), combinaison de ces méthodes (CNN + LSTM par exemple), ...
- Données d'entrée du réseau : signal 1D (signal ECG « brut »), matrice 2D (spectrogramme par exemple). Il est également possible de fournir d'autres signaux dérivés de l'ECG tels que, par exemple, l'estimation de la position du patient ou des stades du sommeil.
A noter que de nombreuses bases de données sont disponibles en ligne pour valider ces méthodes, toutes annotées par des médecins. Les signaux disponibles peuvent varier, allant de la polysomnographie complète ou à de simples ECGs avec un signal de respiration simultané. La plus connue est Apnea-ECG Database sur le site Physionet [9], mais d'autres plus conséquentes ont été mises en ligne sur le site National Sleep Research Resource [10], notamment la base STAGES ou MrOS.
L'innovation de cette thèse repose dans l'apport des informations cliniques dans la performance du réseau. La fusion de données cliniques dans un réseau, peu importe sa nature (CNN, LSTM, etc) est un sujet récent et quelques articles traitent de cette problématique mais aucun sur le thème de l'apnée du sommeil. La majorité de ces publications sont basés sur des réseaux 2D avec des images IRM [11,12,13] ou des images de peau [14].
Bibliographie :
[1] Burks SV et al. Nonadherence with Employer-Mandated Sleep Apnea Treatment and Increased Risk of Serious Truck Crashes. Sleep. 2016 May 1;39(5):967-75. doi: 10.5665/sleep.5734. PMID: 27070139; PMCID: PMC4835318.
[2] « L'apnée du sommeil augmente significativement les risques cardiovasculaires », FFC. https://www.fedecardio.org/presse/l-apnee-du-sommeil-augmente-significativement-les-risques-cardio-vasculaires/
[3] Adam V Benjafield et al. "Estimation of the global prevalence and burden of obstructive sleep apnoea: a literature-based analysis". The Lancet Respiratory Medicine, Volume 7, Issue 8, 2019.
[4] Pauline Guyot. Modélisation et analyse du signal électrocardiographique pour l'étude du système cardio-respiratoire. Application au syndrome d'apnées du sommeil. Thèse 2019 - Université de Lorraine & CRAN.
[5] Zhang J et al. Automatic Detection of Obstructive Sleep Apnea Events Using a Deep CNN-LSTM Model. Comput Intell Neurosci. 2021 Mar 22;2021:5594733.
[6] Urtnasan E et al. Identification of Sleep Apnea Severity Based on Deep Learning from a Short-term Normal ECG. J Korean Med Sci. 2020 Dec 7;35(47):e399.
[7] Chang HY et al. A Sleep Apnea Detection System Based on a One-Dimensional Deep Convolution Neural Network Model Using Single-Lead Electrocardiogram. Sensors (Basel). 2020 Jul 26;20(15):4157.
[8] T. Van Steenkiste et al. "Automated Sleep Apnea Detection in Raw Respiratory Signals Using Long Short-Term Memory Neural Networks," in IEEE Journal of Biomedical and Health Informatics, vol. 23, no. 6, pp. 2354-2364, Nov. 2019.
[9] T Penzel et al. The Apnea-ECG Database. Computers in Cardiology 2000 ; 27:255-258.
[10] R. Mueller, « Sleep Data - National Sleep Research Resource - NSRR ». https://sleepdata.org/
[11] Huang SC et al. Fusion of medical imaging and electronic health records using deep learning: a systematic review and implementation guidelines. NPJ Digit Med. 2020 Oct 16;3:136.
[12] Hatami, Nima et al. CNN-LSTM Based Multimodal MRI and Clinical Data Fusion for Predicting Functional Outcome in Stroke Patients. arXiv preprint arXiv:2205.05545, 2022.
[13] Leming, Matthew et al. Multi-confound regression adversarial network for deep learning-based diagnosis on highly heterogenous clinical data. arXiv preprint arXiv:2205.02885, 2022.
[14] Nunnari, Fabrizio et al. "A Study on the Fusion of Pixels and Patient Metadata in CNN-Based Classification of Skin Lesion Images." CD-MAKE (2020).
Mots clés :
Traitement du signal, réseau de neurones, apnées du sommeil, électrocardiogramme
Département(s) :
| Biologie, Signaux et Systèmes en Cancérologie et Neurosciences |
