En médecine, les analyses de population à grande échelle ont pour but d’obtenir des informations statistiques pour mieux comprendre des maladies, identifier leurs facteurs de risque, développer des traitements préventifs et curatifs et améliorer la qualité de vie des patients.Dans cette thèse, nous présentons d’abord le contexte médical de la maladie d’Alzheimer, rappelons certains concepts d’apprentissage statistique et difficultés rencontrées lors de l’application en imagerie médicale. Dans la deuxième partie,nous nous intéressons aux analyses transversales, c-a-d ayant un seul point temporel.Nous présentons une méthode efficace basée sur les séparateurs à vaste marge (SVM)permettant de classifier des lésions dans la matière blanche. Ensuite, nous étudions les techniques d’apprentissage de variétés pour l’analyse de formes et d’images, et présentons deux extensions des Laplacian eigenmaps améliorant la représentation de patients en faible dimension grâce à la combinaison de données d’imagerie et cliniques. Dans la troisième partie, nous nous intéressons aux analyses longitudinales, c-a-d entre plusieurs points temporels. Nous quantifions les déformations des hippocampus de patients via le modèle des larges déformations par difféomorphismes pour classifier les évolutions de la maladie. Nous introduisons de nouvelles stratégies et des régularisations spatiales pour la classification et l’identification de marqueurs biologiques. / In medicine, large scale population analysis aim to obtain statistical information in order to understand better diseases, identify their risk factors, develop preventive and curative treatments and improve the quality of life of the patients.In this thesis, we first introduce the medical context of Alzheimer’s disease, recall some concepts of statistical learning and the challenges that typically occurwhen applied in medical imaging. The second part focus on cross-sectional studies,i.e. at a single time point. We present an efficient method to classify white matter lesions based on support vector machines. Then we discuss the use of manifoldlearning techniques for image and shape analysis. Finally, we present extensions ofLaplacian eigenmaps to improve the low-dimension representations of patients usingthe combination of imaging and clinical data. The third part focus on longitudinalstudies, i.e. between several time points. We quantify the hippocampus deformations of patients via the large deformation diffeomorphic metric mapping frameworkto build disease progression classifiers. We introduce novel strategies and spatialregularizations for the classification and identification of biomarkers.

Le choc septique reste une pathologie grave, associée à des taux de mortalité et d'infections nosocomiales (IN) secondaires élevés. La prédiction du pronostic est de la plus haute importance pour sélectionner les patients qui pourraient bénéficier de traitements visant à moduler la réponse immunitaire. Le système immunitaire, classiquement active par des agents externes, peut également être activé par des médiateurs endogènes exprimés à la suite d'une agression d'origine septique ou non. Les protéines S100 font partie de ces signaux de danger endogènes (ou alarmines). Le but de ce travail est d'évaluer la capacité de l'ARNm de S100A9 mesuré dans le sang total de patients en choc septique à prédire la survie et la survenue d'IN. Nous avons également étudié la régulation de l'expression des ARN messagers de S100A8 et S100A9 dans un modèle ex vivo de tolérance à l'endotoxine qui reproduit partiellement les dysfonctions de l'immunité innée induites par le sepsis. L'ARNm de S100A9 est surexprimé dans le sang des patients en choc septique. Un taux élevé entre le 7eme et le 10eme jour du début du choc septique est associé à la survenue d'IN secondaires. Ex vivo, l'expression des ARNm de S100A8 et S100A9 est augmentée durant le phénomène de tolérance à l'endotoxine. Le blocage de l IL-10 et l'administration d'IFN-γ réduisent l'augmentation de ces ARNm dans ce modèle. Apres confirmation dans des études cliniques, ces résultats préliminaires suggèrent que l'expression des ARNm de S100A8 et S100A9 puisse être utilisée comme marqueur du phénomène de tolérance à l'endotoxine et comme outils pour évaluer la dysfonction immunitaire des patients en choc septique. Ces patients pourraient alors bénéficier de thérapies visant à restaurer leurs fonctions immunitaires / Septic shock remains a serious disease with high mortality and increased risk of hospital-acquired infection. The prediction of outcome is of the utmost importance for selecting patients for therapeutic strategies aiming to modify the immune response. Immune system, typically activated by external agents, can also be activated by endogenous mediators induced by various types of stress (trauma, infection, burns). S100 proteins are part of the alarmins family. The aim of this study was to assess the capability of S100A9 messenger RNA in whole blood from patients with septic shock to predict survival and the occurrence of hospital-acquired infection. We also investigate the regulation of S100A8 and S100A9 mRNA expressions in an ex vivo model of endotoxin tolerance which partially reproduces sepsis-induced innate immune alterations. S100A9 messenger RNA is increased in septic shock and its delayed overexpression is associated with the occurrence of secondary hospital-acquired infection. Ex vivo, S100A8 and S100A9 mRNA expressions are increased during endotoxin tolerance. IL-10 blockade and rIFN-γ treatment partially abrogated S100A8/A9 mRNA increases in this model. Pending confirmation in larger, independent clinical studies, these preliminary results suggest that S100A8 and S100A9 mRNA levels might be used as surrogate markers of endotoxin tolerance and as evaluation tools for immune dysfunctions in septic shock patients. These patients could be selected for therapeutic aiming to restore immune functions

En médecine, les analyses de population à grande échelle ont pour but d'obtenir des informations statistiques pour mieux comprendre des maladies, identifier leurs facteurs de risque, développer des traitements préventifs et curatifs et améliorer la qualité de vie des patients. Dans cette thèse, nous présentons d'abord le contexte médical de la maladie d'Alzheimer, rappelons certains concepts d'apprentissage statistique et difficultés rencontrées lors de l'application en imagerie médicale. Dans la deuxième partie, nous nous intéressons aux analyses transversales, c-a-d ayant un seul point temporel. Nous présentons une méthode efficace basée sur les séparateurs à vaste marge (SVM) permettant de classifier des lésions dans la matière blanche. Ensuite, nous étudions les techniques d'apprentissage de variétés pour l'analyse de formes et d'images, et présentons deux extensions des Laplacian eigenmaps améliorant la représentation de patients en faible dimension grâce à la combinaison de données d'imagerie et cliniques. Dans la troisième partie, nous nous intéressons aux analyses longitudinales, c-a-d entre plusieurs points temporels. Nous quantifions les déformations des hippocampes de patients via le modèle des larges déformations par difféomorphismes pour classifier les évolutions de la maladie. Nous introduisons de nouvelles stratégies et des régularisations spatiales pour la classification et l'identification de marqueurs biologiques.