Extraction et sélection robustes de caractéristiques dans les petites cohortes : applications aux images médicales et au microbiote intestinal dans la maladie de Crohn

Type de soutenance
Thèse
Date de début
Date de fin
Lieu
IRISA Rennes
Salle
Metiviers
Orateur
Corentin LUCAS (BIOGRAPHS)
Sujet

Extraction et sélection robustes de caractéristiques dans les petites cohortes : applications
aux images médicales et au microbiote intestinal dans la maladie de Crohn

(english below)

Mot clés : Sélection de caratéristiques, Robustesse, Maladie de Crohn, Petites cohortes


Résumé : En recherche clinique, les données biomédicalessont souvent de hautes dimensions, tandis que les cohortes restent de taille réduite. Sélectionner des variables ou en construire de nouvelles permettent de réduire
cette dimensionnalité mais elles sont dépendantes de l’échantillon utilisé, du protocole d’acquisition ou de la méthode. Cette thèse aborde ce problème sous l’angle de la robustesse, en utilisant deux cohortes de patients
atteints de la maladie de Crohn.

Nous présentons trois contributions portant sur la robustesse. La première est une revue narrative identifiant cinq propriétés de robustesse: stabilité, contrôle des erreurs, reproductibilité computationelle, généralisabilité externe et plausibilité biologique. La deuxième est une étude d’imageries médicales. À partir d’IRM pelviennes sans acquisition standardisée, des mesures d’asymétrie sont construites pour détecter des lésions anopérinéales.
La troisième cherche à trouver un lien robuste entre l’état de la maladie et la composition du microbiote intestinal. Sur la base de données du microbiote intestinal, les résultats de cinq méthodes d’analyse d’abondance différentilelle sont aggrégés pour obtenir des signature consensus. Ces deux contributions sont ensuite comparées aux cinq propriétés de la revue, en distinguant les limites évitales et celles imposées par les données. Enfin un chapitre prospectif discute des conditions nécessaires pour l’intégration multimodale IRM-microbiote.

 

Robust feature extraction and selection in small cohorts: applications to medical images and gut microbiota in Crohn’s disease


Keywords: Feature selection, Robustness, Crohn’s disease, Small cohorts


Abstract:

In clinical research, biomedical data are often highly dimensional, while cohorts remain small. Selecting variables or constructing new ones can reduce this dimensionality, but these efforts are dependent on the sample used, the acquisition protocol, and the methodology. This thesis addresses this problem from the perspective of robustness, using two cohorts of patients with Crohn’s disease. We present three contributions related to robustness. The first is a narrative review that identifies five robustness properties: stability, error control, computational reproducibility, external generalizability, and biological plausibility. The second is a study of medical imaging. Using pelvic MRI scans without standardized acquisition, asymmetry measures are constructed to detect anoperineal lesions. The
third seeks to establish a robust link between disease status and the composition of the gut microbiota. Based on gut microbiota data, the results of five differential abundance analysis methods are aggregated to obtain consensus signatures. These two contributions are then compared to the five properties of the review,
distinguishing between avoidance limitations and those imposed by the data. Finally, a prospective chapter discusses the conditions necessary for multimodal MRI-microbiota integration.

Composition du jury
Président :
Examinateurs : Anne SIEGEL Directrice de recherche, CNRS, IRISA
Magali BERLAND Ingénieure de recherche, INRAE MetaGenoPolis
Sébastien DEJEAN Ingénieur de recherche, IMT, Université Paul Sabatier Toulouse 3
Laurent JACOB Directeur de recherche CNRS, Laboratoire LCQB, Sorbonne Université
Sean KENNEDY Chercheur, Institut Pasteur, Université Paris Cité
Dir. de thèse : Emmanuelle BECKER Professeure, IRISA, Université de Rennes
Co-dir. de thèse : Yann LE CUNFF Maitre de conférence, IRISA, Université de Rennes