L'utilisation de l'intelligence artificielle (IA) pour détecter les maladies à partir des IRM cérébrales promet d'automatiser, de standardiser et de devenir un processus de diagnostic à grande échelle. C'est que ces études cliniques sont systématiquement collectées et accumulées dans de grandes bases de données qui peuvent être utilisées pour former des algorithmes d'IA.
En ce sens, l'apprentissage en profondeur , pour sa part, s'est avéré efficace pour détecter plusieurs maladies dans des données d'IRM cérébrale de haute qualité, qui ont été collectées dans un environnement de recherche contrôlé. Parallèlement à ces progrès, les chercheurs ont fait des progrès dans la détection des signes de la maladie d' Alzheimer grâce à des tests d'imagerie cérébrale de haute qualité recueillis dans le cadre d'études de recherche.
Avec tous ces aspects "sur la table", une équipe de spécialistes du Massachusetts General Hospital (MGH) a récemment mis au point une méthode précise de détection de la maladie d'Alzheimer basée sur des échantillons cliniques de cerveau collectés sous forme d'images lors d'examens de routine. Cette évolution pourrait conduire à des diagnostics plus précis .
Pour l'étude, qui a été publiée dans PLOS ONE , Matthew Leming, chercheur au MGH Center for Systems Biology et chercheur au Massachusetts Alzheimer's Disease Research Center, avec ses collègues Sudeshna Das et Hyungsoon Im, a utilisé un outil appelé apprentissage profond , un type d'apprentissage automatique dans lequel l'intelligence artificielle utilise de grandes quantités de données et des algorithmes complexes pour former des modèles et tirer des conclusions.
Dans ce cas, les scientifiques ont développé un modèle pour la détection de la maladie d'Alzheimer basé sur des données d'imagerie par résonance magnétique (IRM) cérébrales collectées auprès de patients atteints et non atteints de la maladie d'Alzheimer qui ont été vus à l'HGM avant 2019. Ensuite, le groupe a testé le modèle. sur cinq ensembles de données : sur l'HGM après 2019, sur le Brigham and Women's Hospital avant et après 2019, et sur les systèmes de santé externes avant et après 2019.
L'objectif consistait à analyser si son développement était capable de détecter avec précision la maladie d'Alzheimer à partir de données réelles, de données cliniques globales, quel que soit l'hôpital et le moment où ces données ont été recueillies.
Dans l'ensemble, la recherche a impliqué 11 103 images de 2 348 patients à risque de maladie d'Alzheimer et 26 892 images de 8 456 patients sans maladie. Dans les cinq ensembles de données, le modèle a détecté le risque de maladie d'Alzheimer avec une précision de 90,2 % .
Modeler le regard sur Alzheimer
Parmi les principales nouveautés des travaux, on peut citer sa capacité à détecter la maladie d'Alzheimer indépendamment d'autres variables, comme l'âge. "La maladie d'Alzheimer survient généralement chez les personnes âgées , de sorte que les modèles d'apprentissage en profondeur ont souvent du mal à détecter les cas précoces les plus rares. Nous abordons ce point en rendant le modèle d'apprentissage en profondeur aveugle aux caractéristiques cérébrales qui sont trop étroitement associées à l'âge indiqué du patient », a déclaré Leming.
L'expert a souligné qu'un autre défi commun dans la détection des maladies, en particulier dans le monde réel, consiste à traiter des données très différentes parmi le pool d'informations utilisé pour alimenter le système d'IA. Par exemple, un modèle d'apprentissage en profondeur formé sur les IRM d'un scanner fabriqué par une entreprise peut ne pas reconnaître les IRM collectées sur un scanner fabriqué par une autre.
Le modèle a utilisé une métrique d'incertitude pour déterminer si les données du patient étaient trop différentes de ce sur quoi le même modèle avait été formé pour faire une prédiction réussie.
« Il s'agit de l'une des seules études à avoir utilisé des IRM cérébrales collectées en routine pour tenter de détecter la démence. Alors qu'un grand nombre d'études d'apprentissage en profondeur ont été menées pour la détection de la maladie d'Alzheimer à partir d'IRM cérébrales, cette étude a pris des mesures substantielles pour le faire dans des contextes cliniques réels plutôt que dans des paramètres de laboratoire parfaits. Nos résultats, avec la possibilité de généraliser à travers les lieux, les moments et les populations, plaident en faveur de l'utilisation clinique de cette technologie de diagnostic », a conclu Leming.
Continuer à lire