L'apprentissage profond, un type d'intelligence artificielle, peut augmenter la puissance de l'IRM dans la prédiction du trouble d'hyperactivité avec déficit de l'attention (TDAH), selon une étude publiée dans Radiology: Artificial Intelligence. Les chercheurs ont déclaré que l'approche pourrait également avoir des applications pour d'autres conditions neurologiques.
Le cerveau humain est un ensemble complexe de réseaux. Les progrès de l'IRM fonctionnelle, un type d'imagerie qui mesure l'activité cérébrale en détectant les changements dans le flux sanguin, ont aidé à cartographier les connexions au sein et entre les réseaux cérébraux. Cette carte cérébrale complète est appelée le connectome.
De plus en plus, le connectome est considéré comme la clé pour comprendre les troubles cérébraux comme le TDAH, une condition qui rend difficile pour une personne de prêter attention et de contrôler un comportement agité.
Selon une enquête nationale effectuée aux états-unis sur la santé des enfants, environ 9,4% des enfants américains âgés de 2 à 17 ans (6,1 millions) en 2016 ont reçu un diagnostic de TDAH. Le trouble ne peut pas encore être définitivement diagnostiqué chez un enfant individuel avec un seul test ou examen d'imagerie médicale. Au lieu de cela, le diagnostic du TDAH est basé sur une série de symptômes et de tests comportementaux.
L'IRM cérébrale a un rôle potentiel dans le diagnostic, car la recherche suggère que le TDAH résulte d'un certain type de panne ou de perturbation du connectome. Le connectome est construit à partir de régions spatiales à travers l'image MR connue sous le nom de parcellations. Les parcellations cérébrales peuvent être définies en fonction de critères anatomiques, fonctionnels ou des deux. Le cerveau peut être étudié à différentes échelles en fonction de différentes parcellations cérébrales.
Les études antérieures se sont concentrées sur l'approche dite à échelle unique, où le connectome est construit sur la base d'une seule parcelle. Pour la nouvelle étude, les chercheurs du Collège de médecine de l'Université de Cincinnati et du Centre médical de l'hôpital pour enfants de Cincinnati ont adopté une vue plus globale. Ils ont développé une méthode multi-échelle, qui a utilisé plusieurs cartes de connectome basées sur plusieurs parcellations.
Pour construire le modèle d'apprentissage en profondeur, les chercheurs ont utilisé les données de l'ensemble de données NeuroBureau ADHD-200. Le modèle a utilisé les données du connectome cérébral à plusieurs échelles des 973 participants au projet ainsi que les caractéristiques personnelles pertinentes, telles que le sexe et le QI.
L'approche multi-échelle a considérablement amélioré les performances de détection du TDAH par rapport à l'utilisation d'une méthode à une seule échelle.
"Nos résultats mettent l'accent sur le pouvoir prédictif du connectome cérébral", a déclaré l'auteur principal de l'étude, Lili He, Ph.D., du Cincinnati Children's Hospital Medical Center. "Le connectome fonctionnel du cerveau construit qui s'étend sur plusieurs échelles fournit des informations supplémentaires pour la représentation des réseaux à travers le cerveau entier."
En améliorant la précision du diagnostic, le diagnostic basé sur l'IRM assisté par apprentissage en profondeur pourrait être essentiel dans la mise en œuvre d'interventions précoces pour les patients atteints de TDAH. Environ 5% des enfants américains d'âge préscolaire et d'âge scolaire ont reçu un diagnostic de TDAH. Ces enfants et adolescents courent un risque élevé d'échouer aux études universitaires et de nouer des relations sociales, ce qui peut entraîner des difficultés financières pour les familles et créer un énorme fardeau pour la société.
"Ce modèle peut être généralisé à d'autres déficiences neurologiques", a-t-elle déclaré. "Nous l'utilisons déjà pour prédire la déficience cognitive chez les nourrissons prématurés. Nous les scannons peu après la naissance pour prédire les résultats neurodéveloppementaux à l'âge de deux ans."
À l'avenir, les chercheurs s'attendent à voir le modèle d'apprentissage profond s'améliorer car il est exposé à de plus grands ensembles de données de neuroimagerie. Ils espèrent également mieux comprendre les pannes ou perturbations spécifiques du connectome identifiées par le modèle qui sont associées au TDAH.