Détection d’anomalies du système nerveux basée sur l’écriture manuscrite

Abstract

Cette thèse s'inscrit dans le contexte de la détection précoce de la maladie de Parkinson, un enjeu majeur de santé publique visant à améliorer la prise en charge des patients et à optimiser leur suivi clinique. Elle propose une méthodologie complète reposant sur la constitution d'une base de données originale, le développement d'architectures avancées d'intelligence artificielle et leur évaluation sur des données cliniques réelles. L'une des principales contributions de ce travail réside dans la création de la base de données ClinInk-PDECT, regroupant des données multimodales issues de l'écriture manuscrite, des dessins et d'informations cliniques provenant de patients atteints de la maladie de Parkinson et de sujets témoins. Rigoureusement constituée, contrôlée et annotée, cette ressource représente un socle robuste pour le développement, la validation et l'évaluation comparative de méthodes d'aide au diagnostic assisté par ordinateur. Sur le plan méthodologique, trois approches complémentaires ont été conçues et évaluées. (1) Une approche unimodale, fondée sur des réseaux de neurones convolutionnels appliqués aux dessins manuscrits, a confirmé la pertinence des biomarqueurs visuels en atteignant une exactitude de 91,0 %. (2) Une approche multimodale, combinant les informations visuelles, les caractéristiques de l'écriture manuscrite et les données cliniques au moyen d'un mécanisme d'attention croisée, a démontré l'intérêt de la fusion de sources d'information hétérogènes et a atteint une exactitude de 95,7 %. (3) Enfin, une approche hybride neuro-symbolique, intégrant des modèles d'apprentissage profond, une ontologie médicale et des règles logiques floues, a permis de concilier performance prédictive et interprétabilité du raisonnement clinique, atteignant une exactitude de 96,1 %. Les résultats obtenus mettent en évidence l'intérêt de l'intégration de données multimodales et d'approches neuro-symboliques pour améliorer la détection précoce de la maladie de Parkinson. Ils confirment également le potentiel des méthodes d'intelligence artificielle comme outils d'aide au diagnostic clinique. À terme, l'extension des cohortes, l'intégration de nouvelles modalités de données, notamment des signaux dynamiques, ainsi que le développement d'architectures plus légères et généralisables, devraient favoriser le transfert de ces approches vers la pratique clinique courante.