L’IA détecte la maladie d’Alzheimer à partir de tests d’imagerie cérébrale de routine
Bien que les chercheurs aient fait des progrès dans la détection des signes de la maladie d’Alzheimer en utilisant des tests d’imagerie cérébrale de haute qualité recueillis dans le cadre d’études de recherche, une équipe du Massachusetts General Hospital (MGH) a récemment mis au point une méthode de détection précise qui repose sur des images cérébrales cliniques recueillies de façon routinière. Cette avancée pourrait conduire à des diagnostics plus précis.
Une méthode de détection précise
Pour cette étude, Matthew Leming et ses collègues ont utilisé l’apprentissage profond, un type d’apprentissage automatique et d’intelligence artificielle qui utilise de grandes quantités de données et des algorithmes complexes pour former des modèles.
Dans ce cas, les scientifiques ont développé un modèle de détection de la maladie d’Alzheimer à partir de données provenant d’images par résonance magnétique (IRM) du cerveau recueillies auprès de patients atteints ou non de la maladie d’Alzheimer qui ont été examinés au MGH avant 2019.
Ensuite, le groupe a testé ce modèle sur cinq ensembles de données – l’HGM après 2019, le Brigham and Women’s Hospital avant et après 2019, et des systèmes extérieurs avant et après 2019 – pour voir s’il pouvait détecter avec précision la maladie d’Alzheimer à partir de données cliniques du monde réel, indépendamment de l’hôpital et du moment.
Une précision de 90,2 %
Dans l’ensemble, cette recherche a porté sur 11 103 images de 2 348 patients présentant un risque de maladie d’Alzheimer et 26 892 images de 8 456 patients sans maladie d’Alzheimer. Sur l’ensemble des cinq jeux de données, le modèle a détecté le risque de maladie d’Alzheimer avec une précision de 90,2 %.
Parmi les principales innovations de ce travail figure sa capacité à détecter la maladie d’Alzheimer indépendamment d’autres variables, comme l’âge. « La maladie d’Alzheimer survient généralement chez les adultes plus âgés, et les modèles d’apprentissage profond ont donc souvent des difficultés à détecter les cas plus rares de début de maladie », explique Leming. « Nous avons résolu ce problème en rendant ce modèle d’apprentissage profond « aveugle » aux caractéristiques du cerveau qu’il juge trop associées à l’âge indiqué du patient. »
Ce modèle a utilisé une métrique d’incertitude pour déterminer si les données du patient étaient trop différentes de celles sur lesquelles il avait été formé pour qu’il soit en mesure de faire une prédiction réussie.
Des IRM cérébrales collectées de manière routinière
« C’est l’une des seules études qui a utilisé des IRM cérébrales collectées de manière routinière pour tenter de détecter la démence. Bien qu’un grand nombre d’études d’apprentissage profond pour la détection de la maladie d’Alzheimer à partir d’IRM cérébrales aient été menées, cette étude a permis de franchir des étapes importantes vers la réalisation de cette tâche dans des environnements cliniques réels, par opposition à des environnements de laboratoire parfaits », a déclaré M. Leming.
« Nos résultats – avec une généralisation intersites, intersaisonniers et inter-populations – constituent un argument de poids en faveur de l’utilisation clinique de cette technologie de diagnostic. »
Cette recherche a été publiée dans PLOS ONE.
Source : Massachusetts General Hospital
Crédit photo : Pexels