Détecter la zone épileptogène par apprentissage statistique combinant de données multimodales hétérogènes structurelles, fonctionelles et cliniques – SEIZURE

L'épilepsie est résistante aux traitements médicamenteux chez 30 % des patients, pour lesquels un enjeu majeur est d’identifier la zone épileptogène (ZE) permettant d'envisager sa possible résection chirurgicale. Il n'existe aucun marqueur parfait de la ZE et le succès chirurgical reste très difficile à prédire. Les progrès récents en analyse d’images par apprentissage statistique permettent de détecter des lésions épileptogènes difficilement décelables à l’œil en associant de l’imagerie par résonance magnétique (IRM) et nucléaire (PET au FDG) mais certaines lésions restent impossibles à détecter. La magnétoencéphalographie (MEG) ou la stéréoélectroencéphalographie (SEEG) offrent la possibilité d'enregistrer des événements électrophysiologiques qui se propagent dans des réseaux neuronaux dynamiques impliquant la ZE. Les avancées dans l'analyse de ces signaux ouvrent la perspective de pouvoir caractériser les dysfonctionnements fonctionnels liés à l'épilepsie. En clinique, l’information extraite de ces différentes modalités est fusionnée empiriquement par les épileptologues. SEIZURE a pour objectif d'extraire automatiquement les biomarqueurs les plus informatifs des données IRM, TEP et MEG associées aux données cliniques du patient et de les fusionner au sein d’un seul modèle d’analyse qui orientera les cliniciens vers la ZE et permettra de prédire le succès chirurgical. Le cadre d'analyse proposé s'appuie sur des méthodes avancées en apprentissage machine pour l’analyse d’images et des signaux sur graphes et la fusion de données hétérogènes. SEIZURE est un projet transdisciplinaire associant des experts en neuroimagerie, en épileptologie clinique ainsi qu'en apprentissage statistique. Il s'appuiera sur la base de données multimodales EPIL-IA (> 200 patients) déjà collectée ainsi que sur des bases de données ouvertes (e. g. MELD). SEIZURE produira des outils méthodologiques innovants en apprentissage statistique et les évaluera en clinique pour une identification objective de la ZE et une prédiction fiable du succès chirurgical chez les patients pharmacorésistants.