Pertinence des approches du Disconnectome pour la prognostication après un infarctus cérébral ischémique

Le cerveau humain est à la fois le siège du soi et l’instrument de la connaissance, occupant une position unique en tant que sujet et objet de l’investigation scientifique. Dans cette thèse, j’explore comment la perturbation de l’architecture cérébrale, en particulier la connectivité de la substance blanche, suite à un AVC ischémique, accélère les processus neurodégénératifs et influence les trajectoires de récupération. En exploitant la puissance de l’intelligence artificielle (IA), ce travail vise à synthétiser, modéliser et prédire les effets en cascade des lésions vasculaires sur l’intégrité structurelle et fonctionnelle du cerveau.Pour répondre à la complexité et à l’urgence des soins post-AVC, la thèse présente une série d’études méthodologiquement interconnectées, couvrant les phases aiguës à long terme. J’ai d’abord développé DeepDisco, un cadre basé sur l’apprentissage profond capable de synthétiser des cartes individualisées de déconnexion de la substance blanche à partir de données lésionnelles binaires. En reproduisant les schémas de déconnexion en quelques millisecondes, DeepDisco offre une alternative évolutive et cliniquement viable aux approches traditionnelles de tractographie et améliore la prédiction des symptômes en réduisant le bruit dans les profils connectomiques.Ensuite, j’ai introduit SynthPerf, un outil basé sur l’IA destiné à générer des cartes de perfusion à partir de séquences d’IRM de routine, essentielles pour identifier les tissus cérébraux récupérables. Cette innovation supprime le besoin d’agents de contraste et réduit les délais d’imagerie, rendant l’évaluation de la perfusion plus accessible, notamment dans les environnements à ressources limitées.Pour évaluer la pertinence concrète de ces outils, la thèse a coordonné le NeuralCup, une compétition multi-institutionnelle invitant les principales équipes de prédiction des issues post-AVC à appliquer leurs méthodes à un jeu de données commun. Grâce à une comparaison systématique de diverses stratégies de modélisation, nous n’avons pas identifié une approche universelle, mais un cadre dépendant du contexte : les prédictions cognitives, motrices et globales bénéficient de combinaisons spécifiques de modalités d’imagerie et de stratégies analytiques. Cela souligne la nécessité de dépasser les modèles universels au profit de recettes de prédiction adaptées au domaine d’intérêt.Au-delà de l’AVC, la thèse introduit le concept de signatures neurobiologiques microstructurelles, empreintes multidimensionnelles reflétant des altérations spécifiques des tissus selon les pathologies. En utilisant des bases de données à grande échelle et des techniques de réduction de dimensionnalité, je propose un morphoespace situant ces profils le long d’un continuum de processus vieillissement pathologique du cerveau. En modélisant l’évolution temporelle de ces signatures et leur corrélation avec la déconnexion structurelle, nous posons les bases de gradients spatio-temporels, un cadre permettant de suivre dynamiquement la progression des maladies à travers l’espace et le temps.Dans son ensemble, cette thèse montre comment des outils pilotés par l’IA peuvent enrichir la neuroimagerie en rendant visibles les cascades pathophysiologiques invisibles, améliorant ainsi les processus cliniques et permettant une prise en charge plus personnalisée. Les modèles et cadres conceptuels proposés ouvrent la voie au diagnostic précoce, à l’intervention ciblée et à un suivi à long terme des maladies neurologiques, contribuant aux objectifs plus larges de la médecine de précision. En intégrant biologie, imagerie et calcul, le travail mené au cours de cette thèse vise à transformer notre capacité à comprendre, prédire et, à terme, prévenir les réactions en chaîne des maladies cérébrales.