Dans une étude récente publiée dans Scientific Reports, les chercheurs ont établi une classification de référence du trouble dépressif majeur (TDM) en utilisant l’apprentissage automatique (ML) sur des mesures corticales et sous-corticales.
Étude: Classification de référence multisite du trouble dépressif majeur utilisant l’apprentissage automatique sur des mesures corticales et sous-corticales. Crédit d’image : Elena Kalinitcheva/Shutterstock.com
Sommaire
Arrière-plan
Le TDM a une prévalence au cours de la vie de 14 %, avec un grand impact sociétal. Cela augmente souvent le risque de suicide et réduit la qualité de vie des personnes touchées.
Un diagnostic et un traitement précoces sont essentiels, étant donné la possibilité d’un vieillissement cérébral accéléré et d’une résistance thérapeutique. De plus, il manque des biomarqueurs fiables pour prédire la progression et la réponse thérapeutique.
Le diagnostic du TDM reposait jusqu’à présent exclusivement sur les symptômes auto-déclarés, ce qui présente néanmoins un risque élevé d’erreur de diagnostic. De plus, les comorbidités, telles que les troubles du spectre anxieux, les troubles liés à l’usage de substances et d’autres maladies, contribuent aux défis associés au diagnostic et au traitement corrects du TDM.
Notamment, les méthodes avancées de neuroimagerie, telles que l’imagerie par résonance magnétique (IRM), ont rendu possible l’examen des modifications corticales et sous-corticales associées au TDM. Néanmoins, la petite taille des effets et les inférences au niveau du groupe excluent l’application clinique.
Des outils tels que ML permettent une inférence au niveau individuel et peuvent offrir une meilleure discrimination entre les patients atteints de TDM et les individus en bonne santé.
À propos de l’étude
Dans la présente étude, les chercheurs ont établi une classification de référence du TDM en utilisant le ML sur des mesures corticales et sous-corticales. Ils comprenaient des patients MDD et des témoins sains (HC) de 30 cohortes participant au groupe de travail ENIGMA MDD.
Les individus présentant <75 % des caractéristiques corticales et sous-corticales combinées et ceux pour lesquels des données cliniques ou démographiques manquaient ont été exclus.
Des IRM cérébrales tridimensionnelles (3D) structurelles pondérées en T1 ont été acquises sur chaque site et prétraitées selon les protocoles du Consortium ENIGMA.
La segmentation de la matière grise corticale était basée sur l’atlas Desikan-Killiany, tandis que la segmentation sous-corticale était basée sur l’atlas Aseg. Les données ont été divisées en ensembles de données de formation et de test par âge/sexe et site (d’acquisition IRM).
Pour les deux stratégies de répartition, les données ont été divisées en dix parties ; neuf ont été utilisés pour la formation et un pour l’ensemble de tests. Cela a été répété de manière itérative jusqu’à ce que chaque pli soit utilisé une fois comme ensemble de test, effectuant ainsi la validation croisée décuplée.
L’équipe a utilisé des modèles de classification linéaires et non linéaires peu profonds, tels que des machines à vecteurs de support (SVM), une régression logistique avec différents types de régularisation (LASSO, crête, filet élastique) et des forêts aléatoires.
Résultats
Au total, 2 288 patients atteints de TDM et 3 077 HC ont été inclus dans l’analyse. Il y avait des différences substantielles dans la répartition par sexe et par âge entre les cohortes. Une fois divisées par âge/sexe, les cohortes étaient réparties uniformément entre les groupes.
En revanche, la répartition des données par site a entraîné une répartition inégale des participants. Les performances de classification des modèles étaient comparables.
La précision équilibrée la plus élevée était de 0,639 lorsqu’elle était divisée par âge/sexe. Les performances de tous les modèles ont été réduites lorsque les données ont été harmonisées avec ComBat. Une fois répartis par site, il n’y a eu aucun changement significatif dans les performances de classification, quelle que soit l’harmonisation.
La précision équilibrée était proche du hasard, ce qui suggère que les modèles ne pouvaient pas distinguer les patients atteints de TDM des patients atteints de HC.
Aucune amélioration substantielle n’a été constatée, même avec des algorithmes d’harmonisation plus sophistiqués (CovBat et ComBat-GAM). L’équipe a évalué les poids des SVM avec un noyau linéaire pour déterminer quelles régions ont contribué à la classification.
Les performances du SVM étaient principalement déterminées par les mêmes caractéristiques corticales avec et sans harmonisation ComBat. Les caractéristiques de l’épaisseur corticale avaient un poids plus élevé que les surfaces corticales.
En outre, la précision équilibrée la plus élevée était de 0,632 pour les hommes et de 0,585 pour les femmes dans la stratégie de répartition par âge/sexe, qui a été réduite à 0,53 et 0,529 après l’harmonisation de ComBat.
Lorsqu’elle est divisée par site, la précision équilibrée n’a pas changé après l’harmonisation. Dans la stratégie de répartition âge/sexe, la précision a diminué après harmonisation de 0,564 à 0,529 pour un sous-groupe de participants n’utilisant pas d’antidépresseurs et de 0,716 à 0,534 pour un sous-ensemble d’utilisateurs d’antidépresseurs.
Conclusions
Les chercheurs ont comparé les performances du ML à l’aide de mesures corticales et sous-corticales pour différencier les patients atteints de TDM des HC. La précision équilibrée était d’environ 62 % et 51 % lorsque les données étaient divisées en groupes par âge/sexe et site, respectivement.
L’harmonisation des données a égalisé les performances des deux stratégies de fractionnement et a donné une précision équilibrée allant jusqu’à 52 %. Cela impliquait que les différences de performances initiales étaient dues à des effets secondaires, probablement dus à des différences dans les procédures d’acquisition par IRM.
Des différences mineures se sont produites lorsque l’ensemble de données a été stratifié en fonction de paramètres cliniques et démographiques. Les résultats indiquent que les algorithmes de ML courants ne peuvent pas distinguer les MDD des HC sur la base des seules données morphométriques structurelles du cerveau.
De plus, les performances de classification ne se sont pas améliorées dans les groupes stratifiés, démographiquement et cliniquement plus homogènes.
Par conséquent, des études supplémentaires sont nécessaires pour déterminer si des algorithmes plus sophistiqués pourraient obtenir de meilleures performances.
