Vous êtes ici : Accueil > Actualités > L’intelligence artificielle permet l’identification d’une signature neuroanatomique de la schizophrénie

Résultat scientifique | Imagerie médicale | Cerveau | Maladies

L’intelligence artificielle permet l’identification d’une signature neuroanatomique de la schizophrénie


​Une collaboration internationale de chercheurs en psychiatrie, pilotée par une équipe de NeuroSpin, a démontré que les algorithmes de « machine learning » permettent d'identifier une signature neuroanatomique de la schizophrénie, reproductible dans les différents sites d'acquisition des images et pour les différentes étapes d'évolution de la maladie. Ces résultats offrent des perspectives de détection et de prise en charge précoces de personnes à risque de transition psychotique. 

Publié le 12 décembre 2018

La schizophrénie (transition psychotique) est un trouble mental chronique caractérisé par une variété de symptômes tels que des hallucinations et des déficiences des fonctions cognitives. L'imagerie par résonance magnétique (IRM) structurelle permet d'identifier les changements de l'anatomie cérébrale associés au développement de la maladie. Cependant, les statistiques classiques ne permettent pas de détecter, à partir des images, des « patterns » globaux d'anomalies, ni de fournir une prédiction à l'échelle individuelle, ce qui constitue une limite dans la perspective d'une médecine personnalisée.
Ces limitations sont levées par les algorithmes de « machine learning » (apprentissage automatique) qui « apprennent du passé pour prédire l'avenir ». À partir d'une cohorte de patients pour lesquels on dispose à la fois de l'imagerie initiale et de l'évolution clinique, ces algorithmes vont apprendre un motif cérébral global, ou « signature » pronostique de cette évolution. La signature pourra ensuite être appliquée à l'imagerie d'un nouveau patient afin d'obtenir une prédiction de son évolution, qui sera prise en compte dans la stratégie thérapeutique du clinicien.

Cependant, ces algorithmes ont aujourd'hui encore une portée limitée car ils conduisent à des signatures peu interprétables et peu reproductibles. De plus, aucune étude n'a questionné le stade de la maladie et l'effet de traitements.
Dans ce travail, les chercheurs ont utilisé les récents développements en « machine learning » effectués à NeuroSpin qui visent à intégrer un a priori biologique dans l'identification de la signature prédictive afin d'améliorer son interprétabilité et sa reproductibilité. Appliqué à l'un des plus larges échantillons internationaux (276 patients avec schizophrénie chronique et 330 contrôles), provenant de 4 sites de recrutement, cet algorithme a démontré la possibilité de prédire le diagnostic des patients avec 68% d'exactitude. Afin de valider cette signature vis-à-vis de la durée de la maladie et des traitements, les chercheurs l'ont évaluée avec 73 % d'exactitude sur une base de 43 patients au premier épisode psychotique.


Schéma expérimental de l'étude : l'apprentissage de signature anatomique de la schizophrénie permet une prédiction du statut clinique qui se généralise en inter-site et aux différents stades de la maladie (premiers épisodes psychotiques).


Cette étude démontre l'existence d'une signature neuroanatomique commune à une majorité de patients souffrant de schizophrénie, qui est déjà présente dès le début de la maladie. Elle ouvre ainsi des perspectives de détection et de prise en charge précoces de personnes à risque de transition psychotique.


Figure : La signature de l'anatomie cérébrale prédictive de la schizophrénie implique des atrophies de la matière grise dans les régions des gyri cingulaires, des gyri pré et post-centraux, du pôle temporal, des hippocampes, des amygdales et des thalami.


Haut de page