L’apprentissage profond peut renforcer la puissance de l’IRM dans la prédiction du trouble déficitaire de l’attention avec hyperactivité (TDAH), selon une étude publiée dans Radiology: Intelligence artificielle.
Le connectome est de plus en plus considéré comme un élément clé pour comprendre les troubles cérébraux comme le TDAH. Selon l’Enquête nationale 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 repose sur une série de tests basés sur les symptômes et le comportement.
L’IRM cérébrale a un rôle potentiel dans le diagnostic, car les recherches suggèrent que le TDAH résulte d’un certain type de rupture ou de perturbation du connectome. Le connectome est construit à partir de régions spatiales sur l’image IRM appelées parcellisations. Les parcellisations cérébrales peuvent être définies en fonction de critères anatomiques, de critères fonctionnels ou des deux. Le cerveau peut être étudié à différentes échelles en fonction de différentes parcellisations cérébrales.
Les études précédentes se sont concentrées sur l’approche dite à échelle unique, où le connectome est construit sur la base d’une seule parcellisation. Pour la nouvelle étude, les chercheurs de l’Université de Cincinnati College of Medicine et du Cincinnati Children’s Hospital Medical Center ont adopté une vision plus globale. Ils ont développé une méthode multi-échelle, qui utilisait plusieurs cartes de connectome basées sur plusieurs parcellisations.
Une précision diagnostique améliorée pourrait aider aux interventions précoces
Pour construire le modèle d’apprentissage profond, les chercheurs ont utilisé les données de l’ensemble de données NeuroBureau ADHD-200. Le modèle a utilisé les données du connectome cérébral multi-échelle des 973 participants du projet ainsi que des 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 échelle unique.
« Nos résultats soulignent le pouvoir prédictif du connectome cérébral », a déclaré l’auteur principal de l’étude, Lili He, PhD, du Cincinnati Children’s Hospital Medical Center. « Le connectome fonctionnel cérébral construit qui s’étend sur plusieurs échelles fournit des informations supplémentaires pour la représentation des réseaux dans l’ensemble du cerveau. »
En améliorant la précision du diagnostic, le diagnostic basé sur l’IRM assisté par apprentissage profond pourrait être essentiel pour mettre en œuvre des interventions précoces pour les patients atteints de TDAH. Environ 5 % des enfants américains d’âge préscolaire et scolaire ont reçu un diagnostic de TDAH. Ces enfants et adolescents courent un risque élevé d’échec dans leurs études et dans l’établissement de relations sociales, ce qui peut entraîner des difficultés financières pour les familles et créer un fardeau énorme pour la société.
L’approche a également du potentiel au-delà du TDAH, selon le Dr He.
« Ce modèle peut être généralisé à d’autres déficiences neurologiques », a-t-elle déclaré. « Nous l’utilisons déjà pour prédire les déficiences cognitives chez les nourrissons prématurés. Nous les scannons peu après la naissance pour prédire les résultats du développement neurologique à l’âge de deux ans. »
À l’avenir, les chercheurs s’attendent à ce que le modèle d’apprentissage profond s’améliore à mesure qu’il est exposé à des ensembles de données de neuroimagerie plus importants. Ils espèrent également mieux comprendre les ruptures ou perturbations spécifiques du connectome identifiées par le modèle qui sont associées au TDAH.