Une équipe de chercheurs de Russie et d’Israël a appliqué un nouvel algorithme pour classer la gravité des traits de personnalité autistique en étudiant l’activité cérébrale des sujets.
L’article « Bref rapport: Classification des traits autistiques selon l’activité cérébrale recodée par fNIRS à l’aide de ε-complexity coefficients » est publié dans le Journal de l’autisme et des troubles du développement.
Lors du diagnostic de l’autisme et d’autres troubles mentaux, les médecins utilisent de plus en plus des méthodes de neuroimagerie en plus des tests et des observations traditionnels. De telles méthodes de diagnostic sont non seulement plus objectives, mais révèlent également souvent la présence d’un trouble dans les cas où le médecin ne dispose pas de données comportementales insuffisantes, comme lorsque le patient est jeune.
Une tâche importante dans le développement de méthodes de diagnostic est la sélection d’un algorithme qui peut identifier certains modèles d’activité cérébrale. Étant donné que les cellules cérébrales génèrent de nombreuses impulsions électriques par seconde, les données brutes sont souvent insuffisantes pour tirer des conclusions. Les données doivent d’abord être traitées.
Une équipe de chercheurs de Russie et d’Israël a étudié l’un de ces algorithmes. L’expérience a impliqué 26 sujets sains, bien que 5 aient été exclus de l’échantillon final en raison de signaux bruyants. Tout d’abord, les participants ont terminé le Quotient du spectre autistique et, sur la base du résultat du test, ils ont été divisés en deux groupes: ceux avec des traits autistiques forts et ceux avec des traits autistiques faibles.
Ensuite, les participants ont effectué une tâche de mouvement interpersonnel synchronisé: chaque sujet était invité à bouger sa main droite en synchronisation avec celle du chercheur pendant plusieurs minutes pendant que son activité cérébrale était enregistrée. Les tâches de synchronisation interpersonnelle sont souvent utilisées dans le diagnostic des troubles du spectre autistique, car les personnes atteintes de TSA ont des difficultés à coordonner les actions conjointes.
Au lieu de l’IRM ou de l’EEG traditionnelle, les chercheurs ont choisi la spectroscopie fonctionnelle proche infrarouge (fNIRS) pour enregistrer l’activité cérébrale des sujets.
La technologie FNIRS est basée sur la mesure des niveaux d’oxygène dans les vaisseaux sanguins du cerveau à l’aide de la lumière infrarouge. Contrairement à l’IRMf, la fNIRS est une technologie plus abordable et portable qui ne fait pas de bruit, donc cette technique de neuroimagerie est bien adaptée pour étudier l’activité cérébrale des personnes atteintes d’autisme.
Pour analyser les données d’activité cérébrale, les chercheurs ont utilisé des coefficients de ε-complexité. Cette approche mathématique relativement nouvelle a permis aux chercheurs d’extraire des informations significatives à partir de modèles complexes et bruyants. Sur la base des données traitées de cette manière, les chercheurs ont utilisé des méthodes de classification classiques pour diviser les sujets en groupes en fonction des caractéristiques de l’activité cérébrale lors de l’exécution de la tâche de synchronisation.
En expérimentant ces algorithmes, les scientifiques ont pu atteindre une précision de prédiction de plus de 90%: dans 9 cas sur 10, l’évaluation de la gravité des traits autistiques chez des sujets utilisant la neuroimagerie a coïncidé avec les résultats du questionnaire que les participants ont rempli à le début.
La nouvelle technologie peut être utilisée comme outil de diagnostic des troubles du spectre autistique, car elle est plus accessible et plus pratique lorsque l’on travaille avec des personnes atteintes de TSA par rapport à l’IRMf.
De plus, cette étude a appliqué avec succès la théorie de l’ε-complexité pour la première fois pour décoder des données enregistrées avec fNIRS. Cela ouvre la possibilité d’utiliser le nouvel algorithme dans d’autres études avec la technologie fNIRS.
Nous avons utilisé la méthodologie ε-complexité, qui a été développée au cours des dernières années par le Dr Darkhovsky BS, dans notre étude pour développer un algorithme de classification des patients basé sur les enregistrements fNIRS de l’activité cérébrale. La technologie sans modèle résultante pour l’analyse de séries chronologiques peut être utilisée dans les cas où les conditions préalables des méthodes d’analyse traditionnelles ne sont pas respectées – par exemple, lorsque vous travaillez avec des signaux ECG et EEG significativement non stationnaires. Par conséquent, cette technologie peut être utilisée pour étudier d’autres troubles et caractéristiques mentaux, dont les modèles apparaissent dans les données. «
Yuri Dubnov, co-auteur de l’étude, maître de conférences en informatique, Université HSE
La source:
École supérieure d’économie de l’Université nationale de recherche
Référence du journal:
Dahan, A., et coll. (2020) Bref rapport: Classification des traits autistiques selon l’activité cérébrale recodée par fNIRS en utilisant des coefficients de ε-complexité. Journal de l’autisme et des troubles du développement. doi.org/10.1007/s10803-020-04793-w.
