Assessing dose-response relationship from brain imaging after radiotherapy using spatial mixture of experts.
Analyse dose-réponse à partir d'imagerie cérébrale après radiothérapie via un mélange d'expert spatial
Résumé
Radiotherapy (RT) is one of the most important treatments for brain tumors. However, its potential toxicity on the central nervous system is a highly relevant clinical issue as cognitive dysfunction, mainly related to radiation-induced leukoencephalopathy, may alter the quality of life of patients. As part of the RADIO-AIDE research project, the aim of this work is to model and learn about the potential relationship between the dose of ionizing radiation absorbed in a voxel of the brain after RT (from CT-scan images) and the presence/absence of brain lesions in these voxels (from segmented brain MRI data). We propose to extend the class of mixture of experts’ models, including the well-known Gaussian Locally Linear Mapping model (GLliM), to a binary outcome and a spatially structured predictor. We thus propose and compare several mixtures of experts’ models based on a piecewise logistic regression and different spatial components (hidden Potts model, conditionally auto-regressive model) to account for dependency between neighboring voxels. Various Bayesian statistical learning methods (variational Bayes, MCMC, SMC) are implemented and compared from simulated data as well as real data from the EpiBrainRad prospective cohort, which includes patients treated with radiochemotherapy for glioblastoma. Many modelling perspectives and Bayesian computational challenges will also be discussed.
La radiothérapie (RT) est l'un des traitements les plus importants pour les tumeurs cérébrales. Cependant, sa toxicité potentielle sur le système nerveux central est un des premiers problème clinique, car le dysfonctionnement cognitif, principalement lié à la leuco-encéphalopathie radio-induite, peut altérer la qualité de vie des patients. Dans le cadre du projet de recherche RADIO-AIDE, l’objectif de ce travail est de modéliser et d'estimer la potentielle association entre la dose de rayonnement ionisant absorbée dans un voxel du cerveau après RT (à partir d’images CT-scan) et la présence/absence de lésions cérébrales dans ces voxels (à partir de données IRM cérébrales segmentées). Nous proposons d’étendre la classe de mélange de modèles d’experts, à un résultat binaire et à un prédicteur spatialement structuré. Nous proposons et comparons ainsi plusieurs mélanges de modèles d’experts basés sur une régression logistique par morceaux et différentes composantes spatiales (modèle de Potts caché, modèle auto-régressif conditionnel) pour tenir compte de la dépendance entre voxels voisins. Différentes méthodes d'apprentissage statistique bayésiennes (Bayes variationnel, MCMC, SMC) sont mises en œuvre et comparées à partir de données simulées ainsi que de données réelles issues de la cohorte prospective EpiBrainRad, qui inclut des patients traités par radiochimiothérapie pour glioblastome. De nombreuses perspectives de modélisation et défis informatiques bayésiens seront également abordés.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| licence |
