Sommaire
Approche innovante de la prévision du vieillissement et des maladies
Dans une étude récente publiée dans la revue Actes de l’Académie nationale des sciencesune équipe de scientifiques chinois a développé une méthode multimodale utilisant un système de transformation d’images qui utilise des images de la langue, de la rétine et du visage et estime l’âge biologique, qui peut être utilisée pour prédire le risque de maladies chroniques liées à l’âge.
Étude : Estimation précise de l’âge biologique et son application dans la prédiction des maladies à l’aide d’un système de transformation d’images multimodal. Crédit d’image : H_Ko/Shutterstock
Contexte de l’âge biologique et des maladies chroniques
L’identification et la standardisation de marqueurs pouvant être utilisés pour prédire le risque de maladies chroniques liées au vieillissement et leur utilisation clinique pour gérer la santé de la population vieillissante se sont jusqu’à présent révélées difficiles en raison de l’hétérogénéité des tissus et des organes. Le temps n’est pas le seul facteur déterminant dans de nombreuses maladies chroniques associées à divers systèmes organiques. Cependant, l’âge biologique, marqueur du vieillissement chronologique, est déterminé en fonction des changements fonctionnels et structurels qui surviennent au cours du vieillissement.
Des facteurs environnementaux et génétiques peuvent être responsables de ces changements, et une méthode fiable de détermination de l’âge biologique est cliniquement importante pour prédire le risque de nombreuses maladies liées à l’âge et garantir une intervention précoce. L’intelligence artificielle (IA) a récemment été utilisée pour identifier des biomarqueurs tels que l’âge rétinien, l’âge cérébral dérivé d’images cérébrales, l’âge du visage et l’horloge épigénétique basée sur les modèles de méthylation de l’acide désoxyribonucléique (ADN).
Méthodologie d’étude et développement de modèles d’IA
Dans la présente étude, les chercheurs ont développé un système de modélisation basé sur l’IA qui utilise des images de la langue, du fond de la rétine et du visage pour estimer l’âge biologique et obtenir des informations et prédire le risque de maladies chroniques spécifiques à un organe. Le nerf optique contient des axones dérivés du système nerveux central, ce qui fait des images rétiniennes un indicateur potentiel de la santé du cerveau. De plus, l’exposition du microbiome déduite des images de la langue peut être un indicateur de la santé de la cavité buccale et du tractus gastro-intestinal.
L’outil d’IA est basé sur une architecture basée sur Transformer, et des images du visage, de la langue et de la rétine d’un groupe de participants en bonne santé ont été utilisées pour entraîner et valider le modèle. Par la suite, des images de participants souffrant de diverses maladies chroniques ou de facteurs de risque connus de maladies chroniques ont été utilisées pour tester le modèle. Ces images ont été utilisées pour comprendre l’impact de divers facteurs liés au mode de vie et de maladies chroniques sur l’âge biologique.
Le modèle d’IA basé sur Transformer utilise un module d’attention croisée pour estimer l’âge biologique à l’aide d’informations combinées provenant d’images du fond de l’œil, du visage et de la langue de la rétine. Des modules de projection linéaire ont été initialement utilisés pour traiter ces images et construire des jetons de classification et d’image qui correspondent à ces images. Ces jetons ont ensuite été utilisés comme données d’entrée pour l’architecture multimodale Transformer, optimisée grâce à un algorithme de rétropropagation qui utilise la fonction de perte entre l’âge chronologique et l’âge biologique prédit.
L’ensemble de données de formation a été obtenu auprès de participants suivis longitudinalement pour des contrôles de santé. Une numérisation tridimensionnelle (3D) du visage, de la rétine et de la langue ainsi que des informations médicales pertinentes ont été obtenues à partir des dossiers médicaux et des analyses de sang des participants à l’aide d’échantillons de sang à jeun. Les autres métadonnées de l’étude comprenaient des facteurs liés au mode de vie tels que la consommation d’alcool et le tabagisme, des informations démographiques et des informations recueillies à partir de tests de laboratoire clinique et d’examens physiques. Les images d’une deuxième cohorte de participants ont été utilisées comme cohorte de validation indépendante.
Résultats de la prévision de l’âge biologique basée sur l’IA
L’étude a rapporté que des images de la langue, de la rétine et du visage de plus de 11 000 participants en bonne santé ont été utilisées pour entraîner le modèle basé sur l’IA afin de prédire l’âge biologique, tandis que les images de près de 3 000 participants atteints de six maladies chroniques majeures ont été utilisées comme ensemble de données de test. . La différence significative entre les cohortes saines et malades de l’AgeDiff, définie comme la différence entre l’âge biologique chronologique et prévu, a été calculée.
AgeDiff s’est avéré être un marqueur fiable à utiliser indépendamment ou en conjonction avec d’autres facteurs de risque connus pour stratifier la population et prédire la progression des maladies chroniques liées à l’âge. Les chercheurs pensent que leur outil multimodal de prédiction de l’âge biologique basé sur l’IA était plus précis que d’autres outils de prédiction de l’âge biologique utilisant des données phénotypiques, des horloges épigénétiques basées sur des informations sur la méthylation de l’ADN, des profils sanguins ou des horloges de vieillissement du transcriptome.
Le modèle validé basé sur l’IA a montré une capacité robuste à détecter les changements progressifs associés au vieillissement et a montré des capacités biologiques précises de prévision de l’âge. Les résultats ont également indiqué que les personnes atteintes de maladies chroniques présentent plusieurs déviations associées à AgeDiff qui peuvent être utilisées pour détecter et évaluer la progression des maladies chroniques.
Implications de l’étude
Dans l’ensemble, les résultats indiquent que l’outil d’IA multimodale basé sur Transformer qui utilise des images du visage, de la langue et du fond de l’œil rétinien peut détecter et prédire avec précision la progression des maladies chroniques liées à l’âge.
