Des chercheurs de Stanford ont développé un algorithme qui peut aider à discerner si quelqu’un est atteint d’autisme en examinant des scintigraphies cérébrales. Le nouvel algorithme, piloté par les progrès récents de l’intelligence artificielle (IA), prédit également avec succès la gravité des symptômes de l’autisme chez les patients individuels. Avec un perfectionnement supplémentaire, l’algorithme pourrait conduire à des diagnostics plus précoces, à des thérapies plus ciblées et à une compréhension élargie des origines de l’autisme dans le cerveau.
L’algorithme se penche sur les données recueillies par le biais d’analyses d’imagerie par résonance magnétique fonctionnelle (IRMf). Ces scans capturent les modèles d’activité neuronale dans tout le cerveau. En cartographiant cette activité au fil du temps dans les nombreuses régions du cerveau, l’algorithme génère des « empreintes digitales » d’activité neuronale. Bien qu’uniques pour chaque individu au même titre que les vraies empreintes digitales, les empreintes cérébrales partagent néanmoins des caractéristiques similaires, permettant de les trier et de les classer.
Comme décrit dans un nouvelle étude Publié dans Psychiatrie biologique, l’algorithme a évalué les scintigraphies cérébrales d’un échantillon d’environ 1 100 patients. Avec une précision de 82 %, l’algorithme a sélectionné un groupe de patients dont les cliniciens humains avaient diagnostiqué l’autisme.
« Bien que l’autisme soit l’un des troubles neurodéveloppementaux les plus courants, il y a tellement de choses à ce sujet que nous ne comprenons toujours pas », déclare l’auteur principal Kaustubh Supekarprofesseur adjoint clinique de Stanford en psychiatrie et sciences du comportement et IHA de Stanford faculté affiliée. « Dans cette étude, nous avons montré que notre modèle d' »empreintes digitales » cérébrales basé sur l’IA pourrait potentiellement être un nouvel outil puissant pour faire progresser le diagnostic et le traitement. »
Contrairement à de nombreuses autres maladies, l’autisme manque de biomarqueurs objectifs – des mesures révélatrices qui révèlent la présence et parfois la gravité d’une condition médicale – ce qui signifie qu’il n’y a pas de test simple pour le trouble. Au lieu de cela, le diagnostic repose sur l’observation des comportements des patients, qui sont naturellement très variables et font donc du diagnostic un défi. (Les signes courants de l’autisme comprennent des difficultés à naviguer dans les interactions sociales quotidiennes, des déficits de communication et d’apprentissage, ainsi que des discours et des mouvements répétitifs.)
« Nous devons créer des biomarqueurs objectifs pour l’autisme », déclare Supekar, « et les empreintes cérébrales nous rapprochent un peu plus. »
Combiner Big Data et XAI
Les scientifiques recherchent depuis longtemps des biomarqueurs via des scans IRMf. Pourtant, les études réalisées à ce jour sur de petites populations ont rapporté des résultats contradictoires, résultant de la variabilité naturelle du cerveau des patients et encore plus confondus par les différences dans les appareils d’IRMf et les méthodes de test.
Comme de nombreux domaines scientifiques, la recherche sur l’autisme a adopté l’approche des mégadonnées, dit Supekar, où des informations auparavant impossibles à obtenir émergent de l’analyse de grands échantillons statistiquement puissants. La nouvelle étude de Supekar en est un exemple, regroupant des scanners cérébraux de centres médicaux du monde entier dans un ensemble de données gigantesque, démographiquement et géographiquement diversifié.
L’étape suivante consistait à analyser et à gérer efficacement la complexité et la variabilité des données. Supekar et ses collègues ont pensé qu’un bon point de départ serait les algorithmes de reconnaissance d’images, développés par des entreprises technologiques. Ces algorithmes sont devenus de plus en plus sophistiqués pour gérer des degrés importants de variabilité dans les images qu’ils évaluent.
Par exemple, dit Supekar, imaginez un algorithme conçu pour identifier les chats et les chiens dans les images en ligne. Cet algorithme doit faire face aux animaux photographiés sous différents angles et distances, ainsi que tenir compte avec agilité des gammes de couleurs et de caractéristiques entre les races.
« Pour que l’IA de reconnaissance d’images réussisse, peu importe que mon enfant de 5 ans ait pris la photo ou quelqu’un avec un prix en photographie – l’algorithme doit fonctionner dans les deux cas », explique Supekar. « Le même type d’hétérogénéité que vous obtenez dans les images de chats et de chiens, vous l’obtenez également dans les scanners cérébraux. »
En dérivant leurs algorithmes de reconnaissance d’images, Supekar et ses collègues ont cherché à rendre l’intelligence artificielle explicable ou compréhensible pour les chercheurs humains. Ces dernières années, les chercheurs se sont concentrés sur la création d’une IA explicable, ou XAI, contrairement aux systèmes d’IA conventionnels qui pourraient produire des résultats de qualité, mais pas de manière évidente.
« Un défi a été que les algorithmes d’IA peuvent être une » boîte noire « , où nous ne pouvons pas expliquer d’où vient la précision de l’algorithme », explique Supekar.
En reprenant l’exemple du modèle chat contre chien, les chercheurs voudraient savoir si l’algorithme sélectionne les traits du visage ou la taille du cou des animaux, par exemple. Pour l’algorithme d’empreintes digitales cérébrales, Supekar et ses collègues ont conçu un modèle mathématique simple qui évalue les interactions et l’interconnectivité régionales du cerveau. De cette manière, l’algorithme XAI s’appuie sur trois régions cérébrales présentant des différences significatives d’interconnectivité dans une partie groupable de l’ensemble de données.
Donnant de la crédibilité aux conclusions de l’algorithme XAI, ces trois régions du cerveau ont déjà été impliquées dans la pathologie de l’autisme. Les régions sont le cortex cingulaire postérieur et le précuneus, qui font partie du réseau en mode par défaut (DMN), notamment actif pendant les périodes de repos éveillé ; le cortex préfrontal dorsolatéral et ventrolatéral, impliqué dans le contrôle cognitif ; et le sillon temporal supérieur, impliqué dans le traitement des sons des voix humaines. En particulier, les perturbations du DMN ont servi de puissants prédicteurs de la gravité des symptômes de l’autisme dans la population étudiée.
Plus tôt sera le mieux
Alors que l’algorithme XAI a fonctionné admirablement à ce stade précoce de développement, Supekar et ses collègues devront encore améliorer sa précision pour élever les empreintes cérébrales au niveau d’un biomarqueur définitif. Les chercheurs ont l’intention d’explorer l’efficacité de l’algorithme dans les études sur les frères et sœurs, où l’un des frères et sœurs est autiste et l’autre non, afin d’affiner la capacité de détecter des différences précises mais critiques entre des cerveaux potentiellement très similaires.
Supekar envisage d’utiliser les empreintes digitales cérébrales pour évaluer le cerveau des très jeunes enfants, peut-être dès l’âge de 6 mois ou d’un an, qui présentent un risque élevé de développer l’autisme. Un diagnostic précoce est essentiel pour obtenir de meilleurs résultats, les thérapies s’avérant plus efficaces lorsqu’elles sont introduites alors que les patients sont encore en bas âge par rapport à plus tard dans l’enfance
« Nous espérons que l’approche démontrée dans notre étude pourra diagnostiquer l’autisme pendant la fenêtre d’opportunité où les interventions sont les plus efficaces au maximum », déclare Supekar.
La source: Université de Stanford
