L’étude des biomarqueurs dans le cerveau ; alimentée par des techniques d’apprentissage automatique de pointe ; pourrait redéfinir la façon dont les problèmes de santé mentale sont catégorisés et diagnostiqués et conduire à des traitements plus efficaces et personnalisés.
C’est l’objectif de Yu Zhang, professeur adjoint de bio-ingénierie et de génie électrique et informatique au PC Rossin College of Engineering and Applied Science de l’Université de Lehigh, qui a récemment obtenu un soutien majeur de l’Institut national de la santé mentale (NIMH), une division des instituts nationaux. de la Santé (NIH). Les deux subventions, qui totalisent près de 4 millions de dollars, financeront deux projets de recherche de biomarqueurs utilisant l’imagerie cérébrale et l’apprentissage automatique (ML) pour améliorer les résultats du diagnostic et du traitement des patients souffrant de troubles de santé mentale.
Un biomarqueur est essentiellement un signe d’un certain type qui indique un état médical et peut être mesuré.
La première étude vise à améliorer le traitement de la dépression. Selon l’Organisation mondiale de la santé, environ 280 millions de personnes dans le monde sont atteintes de cette maladie. Les antidépresseurs sont la principale forme de traitement, mais ils ne sont efficaces que chez environ la moitié des patients qui les prennent, explique Zhang, qui dirige le laboratoire d’imagerie cérébrale et de calcul (BIC Lab) à Lehigh.
« Traditionnellement, les professionnels de la santé utilisent une combinaison de symptômes comportementaux et cliniques pour diagnostiquer la dépression, et ces symptômes sont assez subjectifs et provoquent une hétérogénéité substantielle chez les patients », dit-il. « Notre objectif est de construire des biomarqueurs objectifs utilisant l’imagerie cérébrale et l’apprentissage automatique qui capturent mieux le dysfonctionnement du cerveau. Ces biomarqueurs nous permettront essentiellement de prédire si un patient individuel répondra aux médicaments en fonction de ses circuits cérébraux, et cela aidera à guider une intervention personnalisée. . »
Zhang et son équipe, qui comprend des collaborateurs de la Dell Medical School (Dell Med) de l’Université du Texas à Austin, de la Perelman School of Medicine (PSOM) de l’Université de Pennsylvanie et de la Stanford University School of Medicine, utiliseront les données d’un essai clinique randomisé en double aveugle contre placebo pour la mise en place de biomarqueurs. Ces données, y compris l’imagerie par résonance magnétique fonctionnelle (IRMf) et l’électroencéphalographie (EEG) recueillies auprès des patients avant le traitement, seront utilisées pour entraîner un modèle d’apprentissage automatique afin d’identifier des biomarqueurs dans le cerveau.
Au lieu de régions cérébrales uniques, le biomarqueur que nous recherchons est caractérisé par l’interaction entre différentes régions et entre les modalités d’imagerie cérébrale. Nous examinons des réseaux cérébraux à grande échelle liés à une variété de troubles psychiatriques, impliquant principalement la mémoire de travail cognitive et la régulation émotionnelle. Nous émettons l’hypothèse que l’interaction entre ces réseaux cérébraux intrinsèques pourrait révéler des biomarqueurs informatifs qui peuvent prédire la réponse au traitement au niveau individuel. »
Yu Zhang , professeur adjoint de bio-ingénierie et de génie électrique et informatique au PC Rossin College of Engineering and Applied Science de l’Université Lehigh
Essentiellement, dit-il, le degré d’interaction entre les réseaux peut indiquer le degré de réaction d’une personne aux médicaments.
Une fois que l’équipe aura construit le modèle, elle le testera en menant un essai clinique indépendant. Les enquêteurs de Dell Med recruteront environ 50 personnes souffrant de dépression, leur prescriront des antidépresseurs et mesureront l’évolution de leurs symptômes.
« Et nous collecterons des données d’imagerie cérébrale avant le traitement et utiliserons ces données pour vérifier et optimiser nos découvertes de biomarqueurs », a déclaré Zhang.
Il envisage un avenir où le modèle, qui serait facilement installé sur n’importe quel ordinateur, fonctionne en tandem avec un appareil EEG portable.
Un patient d’une clinique ou d’un hôpital aurait son cerveau scanné par l’EEG, et ces données seraient introduites dans le modèle. Le modèle utiliserait ces signaux cérébraux pour évaluer la force ou la faiblesse des connexions entre les régions du cerveau, c’est-à-dire les biomarqueurs, puis générerait une sortie indiquant au médecin ou au clinicien dans quelle mesure la personne répondrait probablement. aux médicaments antidépresseurs basés sur ces biomarqueurs.
Alors que Zhang et son équipe ne s’intéressent qu’aux inhibiteurs sélectifs de la recapture de la sérotonine, ou ISRS, le but ultime, dit-il, est d’affiner suffisamment le modèle pour qu’il puisse prédire la réponse d’une personne à d’autres composés.
Leur biomarqueur guidé par l’IA offrirait non seulement une approche personnalisée du traitement, dit-il, mais remplacerait également la stratégie de traitement actuelle par essais et erreurs qui fait perdre du temps et de l’argent.
« Souvent, pour les patients, le temps est encore plus important que l’argent », explique Zhang. « Ainsi, la combinaison de l’intelligence artificielle de pointe avec l’imagerie cérébrale pourrait vraiment conduire à une nouvelle solution de traitement qui aide les gens rapidement et leur donne une plus grande confiance dans leur traitement. Cela pourrait être une forme de soins de santé mentale de précision qui pourrait offrir un réel espoir aux patients. «
La deuxième étude nouvellement financée de Zhang utilisera également des données d’imagerie cérébrale pour identifier des biomarqueurs, cette fois pour redéfinir la classification des troubles mentaux.
Actuellement, les problèmes de santé mentale sont regroupés en fonction d’évaluations comportementales et cliniques subjectives et de questionnaires autodéclarés, explique Zhang. Le résultat est qu’au sein d’une même catégorie diagnostique telle que l’autisme, l’éventail des symptômes peut être vaste.
« Certains patients présentent des symptômes très différents ou hétérogènes par rapport à d’autres patients de cette catégorie d’autisme », dit-il. « Dans le même temps, dans des catégories telles que l’autisme, le trouble déficitaire de l’attention/hyperactivité et la dépression, vous constaterez qu’il existe un chevauchement considérable, ou une comorbidité, des symptômes. Nous pensons qu’il y a un manque de compréhension approfondie de l’hétérogénéité et comorbidité dans les troubles psychiatriques majeurs. Notre projet collectera des mesures plus objectives du corps humain. Nous combinerons les données d’imagerie cérébrale avec l’apprentissage automatique pour identifier les anomalies des neurocircuits dans les diagnostics traditionnels qui nous aideront à redéfinir la classification des troubles mentaux.
Redéfinir le système de classification pourrait faciliter le développement d’un traitement plus efficace pour les patients, dit Zhang. À l’heure actuelle, les patients diagnostiqués avec un trouble spécifique sont généralement traités avec une approche unique. Certains patients répondront bien, mais d’autres ne répondront pas du tout, et d’autres encore peuvent éprouver des effets indésirables. Et c’est à cause de la grande variation dans le fonctionnement de leur cerveau. Si le système pouvait être plus précis, les traitements tels que les médicaments, la psychothérapie et la thérapie de neuromodulation pourraient être mieux adaptés à des besoins spécifiques.
Zhang et son équipe alimenteront des données d’imagerie cérébrale et d’évaluation comportementale dans un modèle d’apprentissage automatique qui identifiera les modèles de connectivité cérébrale. Ces biomarqueurs aideront à expliquer les problèmes de santé mentale selon un continuum.
« En ce moment, un diagnostic est comme une étiquette dure, mais nous pensons qu’expliquer ces conditions le long d’un spectre nous aidera à identifier les sous-populations au sein d’un échantillon clinique », dit-il. « Une fois que nous aurons identifié ces sous-types, nous pourrons étudier plus avant leurs anomalies cérébrales uniques et partagées, et mieux comprendre quel traitement sera le plus utile pour ce sous-type spécifique. »
L’idée est qu’éventuellement les médecins collectent initialement à la fois l’imagerie cérébrale et les données comportementales d’un patient, les introduisent dans le modèle pour savoir à quel sous-type appartient le patient, puis procèdent au traitement adapté à ce sous-type.
« Ce travail a le potentiel de redéfinir les conditions de santé mentale et constituerait une percée majeure dans le domaine », a déclaré Zhang. « Cela pourrait nous aider à établir des thérapies plus efficaces pour les patients individuels, ce que les diagnostics cliniques traditionnels ne peuvent pas réaliser. »
