Les chercheurs de Mount Sinai ont utilisé de nouvelles méthodes d’intelligence artificielle pour examiner les caractéristiques structurelles et cellulaires des tissus cérébraux humains afin d’aider à déterminer les causes de la maladie d’Alzheimer et d’autres troubles connexes. L’équipe de recherche a découvert que l’étude des causes des troubles cognitifs à l’aide d’une méthode basée sur l’IA impartiale ; par opposition aux marqueurs traditionnels tels que les plaques amyloïdes ; a révélé des anomalies microscopiques inattendues qui peuvent prédire la présence de troubles cognitifs. Ces découvertes ont été publiées dans la revue Acta Neuropathologica Communications le 20 septembre.
L’IA représente un paradigme entièrement nouveau pour l’étude de la démence et aura un effet transformateur sur la recherche sur les maladies cérébrales complexes, en particulier la maladie d’Alzheimer. L’approche d’apprentissage en profondeur a été appliquée à la prédiction des troubles cognitifs, un problème difficile pour lequel aucun outil de diagnostic histopathologique humain n’existe actuellement.
John Crary, MD, PhD, auteur co-correspondant, professeur de pathologie, de médecine moléculaire et cellulaire, de neurosciences, d’intelligence artificielle et de santé humaine, Icahn School of Medicine at Mount Sinai
L’équipe de Mount Sinai a identifié et analysé l’architecture sous-jacente et les caractéristiques cellulaires de deux régions du cerveau, le lobe temporal médial et le cortex frontal. Dans le but d’améliorer la norme d’évaluation post-mortem du cerveau pour identifier les signes de maladies, les chercheurs ont utilisé un algorithme d’apprentissage en profondeur faiblement supervisé pour examiner des images de diapositives de tissus d’autopsie cérébrale humaine d’un groupe de plus de 700 donneurs âgés afin de prédire la présence ou l’absence. de troubles cognitifs. L’approche d’apprentissage en profondeur faiblement supervisé est capable de gérer des sources bruyantes, limitées ou imprécises pour fournir des signaux permettant d’étiqueter de grandes quantités de données d’apprentissage dans un cadre d’apprentissage supervisé. Ce modèle d’apprentissage en profondeur a été utilisé pour identifier une réduction de la coloration bleue rapide Luxol, qui est utilisée pour quantifier la quantité de myéline, la couche protectrice autour des nerfs cérébraux. Les modèles d’apprentissage automatique ont identifié un signal de déficience cognitive associé à une diminution de la coloration de la myéline ; dispersés selon un motif non uniforme à travers le tissu ; et concentré dans la substance blanche, qui affecte l’apprentissage et les fonctions cérébrales. Les deux ensembles de modèles entraînés et utilisés par les chercheurs ont pu prédire la présence de troubles cognitifs avec une précision meilleure que la supposition aléatoire.
Dans leur analyse, les chercheurs pensent que la diminution de l’intensité de la coloration dans des zones particulières du cerveau identifiées par l’IA peut servir de plate-forme évolutive pour évaluer la présence d’une déficience cérébrale dans d’autres maladies associées. La méthodologie jette les bases d’études futures, qui pourraient inclure le déploiement de modèles d’intelligence artificielle à plus grande échelle ainsi qu’une dissection plus poussée des algorithmes pour augmenter leur précision et leur fiabilité prédictives. L’équipe a déclaré qu’en fin de compte, l’objectif de ce programme de recherche neuropathologique est de développer de meilleurs outils de diagnostic et de traitement des personnes souffrant de la maladie d’Alzheimer et de troubles apparentés.
« Tirer parti de l’IA nous permet d’examiner de manière exponentielle plus de caractéristiques pertinentes pour la maladie, une approche puissante lorsqu’elle est appliquée à un système complexe comme le cerveau humain », a déclaré l’auteur co-correspondant Kurt W. Farrell, PhD, professeur adjoint de pathologie, moléculaire et cellulaire. Basé sur la médecine, les neurosciences, l’intelligence artificielle et la santé humaine, à Icahn Mount Sinai. « Il est essentiel d’effectuer d’autres recherches sur l’interprétabilité dans les domaines de la neuropathologie et de l’intelligence artificielle, afin que les progrès de l’apprentissage en profondeur puissent être traduits pour améliorer les approches de diagnostic et de traitement de la maladie d’Alzheimer et des troubles apparentés de manière sûre et efficace. »
L’auteur principal Andrew McKenzie, MD, PhD, co-résident en chef pour la recherche au département de psychiatrie d’Icahn Mount Sinai, a ajouté : « L’analyse d’interprétation a pu identifier certains, mais pas tous, des signaux que les modèles d’intelligence artificielle utilisaient pour faire des prédictions sur les troubles cognitifs. Par conséquent, des défis supplémentaires subsistent pour déployer et interpréter ces puissants modèles d’apprentissage en profondeur dans le domaine de la neuropathologie.
Des chercheurs du Centre des sciences de la santé de l’Université du Texas à San Antonio, au Texas, de l’Université de Newcastle à Tyne, au Royaume-Uni, de la Boston University School of Medicine à Boston et du UT Southwestern Medical Center à Dallas ont également contribué à cette recherche. L’étude a été financée par le National Institute of Neurological Disorders and Stroke, le National Institute on Aging et le Tau Consortium par la Rainwater Charitable Foundation.
