Algorithmes d'apprentissage pour les modèles stochastiques dynamiques: application à la commande adaptative sur la stimulation cérébrale profonde

par Rémi Souriau

Projet de thèse en Mathématiques et Informatique

Sous la direction de Vincent Vigneron et de Jean Lerbet.

Thèses en préparation à Paris Saclay en cotutelle avec National Tsing Hua University , dans le cadre de École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne) , en partenariat avec IBISC - Informatique, Biologie Intégrative, & Systèmes Complexes (laboratoire) , SIMOB : Systèmes Intelligents, MOdélisation et Biologie (equipe de recherche) et de Université d'Évry-Val-d'Essonne (établissement de préparation de la thèse) depuis le 01-10-2017 .


  • Résumé

    La maladie de Pakinson (MP) est une des maladies neurologiques les plus communes pour les personnes âgées, et est attribuée à la dégénérescence des neurones dopaminergiques dans la substantia nigra pars compacta (SNPC). Bien que les médicaments sont disponibles pour remplacer les neurones dégénérés ou les connexions, les médicaments deviennent moins efficaces, voire néfastes au fur et à mesure que la maladie progresse. Une alternative prometteuse applique la stimulation à haute fréquence (> 100Hz) du noyau subthalamique (STN) à travers microélectrodes implantées dans le cerveau profond [1,2]. La stimulation cérébrale profonde (SCB) a été approuvée pour le traitement de la MP, et certaines études suggèrent que la DBS pourrait agir comme une lésion transitoire qui bloque les régions dysfonctionnelles (par exemple, le STN). Cependant, le mécanisme de DBS n'est toujours pas encore totalement compris. L'application clinique est limitée à la stimulation périodique permanente pour induire plusieurs effets secondaires neuropsychiatriques [3]. La compréhension du mécanisme DBS est donc cruciale pour développer des techniques de stimulation plus efficaces avec des effets secondaires réduits. L'efficacité se réfère à la coordination de la stimulation en boucle fermée à la demande et de manière sophistiquée. La stimulation est activée uniquement lorsque le cerveau entre dans l'état pathologique, et la stimulation peut être appliquée à de multiples sites avec des formes d'onde sophistiquées pour perturber les activités neuronales anormales plus rapidement. Pour atteindre cet objectif, il est crucial de développer un modèle informatique capable de simuler le réseau des interconnections pertinent quantitativement vis-à-vis de la MP. Nous avons établi le modèle MP du rat et développé un circuit électronique pour enregistrer / stimuler plusieurs régions simultanément du cerveau d'un rat. En analysant les activités enregistrées à partir de plusieurs régions du cerveau de rats normaux et Parkionsoniens avant et après stimulation cérébrale profonde (DBS), cette thèse vise à (1) développer des algorithmes capables d'identifier les signatures qui indiquent de manière fiable la transition du cerveau de rat à partir de la normale à des états pathologiques et vice versa, et (2) la manière dont le modèle DBS module les activités du réseau de neurones pertinent pour la MP. Le premier objectif serait de mieux contrôler (en boucle fermée) la stimulation pour le traitement du TP. Le deuxième objectif conduirait à une meilleure compréhension du mécanisme DBS, et indiquerait des moyens plus efficaces de traiter la MP par DBS.

  • Titre traduit

    Machine learning algorithms for stochastic dynamic models: Application to adaptive control on deep-brain stimulation


  • Résumé

    The Pakinson's Disease (PD) is one common neurological diseases for the elderly, and is attributed to the degeneration of dopaminergic neurons in the substantia nigra pars compacta (SNpc). Although medicine are available for replacing the degenerated, dopaminergic connections, medication becomes less or even adversely effective as the disease progresses. A promising alternative is applying high-frequency (>100Hz) stimulation to the subthalamic nucleus (STN) through microelectrodes chronically implanted in the deep brain [1,2]. The deep-brain stimulation (DBS) has been approved for treating PD, and some studies suggest that the DBS could act as a transient lesion that blocks dysfunctional regions (e.g. the STN). However, the mechanism of DBS remains not fully understood yet. The clinical application is limited to applying permanent, periodic stimulation, which has been found to induce several neuropsychiatric side effects [3]. Therefore, understanding the DBS mechanism is crucial for developing more effective stimulation techniques with reduced side effects. The effectiveness refers to coordinating the stimulation in a closed-loop (on-demand) and sophisticate manner. The stimulation is turned on only when the brain enters the diseased state, and the stimulation could be applied to multiple sites with sophisticate waveforms to disrupt abnormal neural activities more quickly. To achieve this goal, it is crucial for developing a computational model able to simulate the PD-pertinent neural network quantitatively with satisfactory fidelity. Our team has established the PD rat model and developed a electronic circuit for recording/stimulating multiple regions of a rat brain simultaneously and chronically. In addition, several new nuclei pertinent to the PD have been identified. By analyzing the activities recorded from multiple brain regions of normal and PD rats before and after deep-brain stimulation (DBS), this thesis aims to (1) develop algorithms able to identify signatures that indicate reliably the transition of the rat brain from normal to diseased states and vice versa, and to (2) model how the DBS modulates the activities of the PD-pertinent neural network. The first objective would underpin a better (closed-loop) control on the stimulation timing for treating PD. The second objective would lead to better understanding on the DBS mechanism, and would subsequently indicate more effective ways of treating PD by DBS.