Une collaboration dirigée par Cornell a utilisé l’apprentissage automatique pour identifier les moyens et les délais les plus précis pour anticiper l’évolution de la maladie d’Alzheimer chez les personnes cognitivement normales ou souffrant de troubles cognitifs légers.
La modélisation a montré qu’il est plus facile et plus précis de prédire le déclin futur de la démence chez les personnes atteintes de troubles cognitifs légers que chez les personnes cognitivement normales ou asymptomatiques. Dans le même temps, les chercheurs ont découvert que les prédictions pour les sujets cognitivement normaux sont moins précises pour des horizons temporels plus longs, mais pour les personnes atteintes de troubles cognitifs légers, l’inverse est vrai.
La modélisation a également démontré que l’imagerie par résonance magnétique (IRM) est un outil pronostique utile pour les personnes aux deux stades, tandis que les outils qui suivent les biomarqueurs moléculaires, tels que la tomographie par émission de positrons (TEP), sont plus utiles pour les personnes souffrant de troubles cognitifs légers.
L’article de l’équipe, « Machine Learning Based Multi-Modal Prediction of Future Decline Toward Alzheimer’s Disease: An Empirical Study », a été publié le 16 novembre dans PLOS ONE. L’auteur principal est Batuhan Karaman, étudiant au doctorat dans le domaine du génie électrique et informatique.
La maladie d’Alzheimer peut prendre des années, parfois des décennies, à progresser avant qu’une personne ne présente des symptômes. Une fois diagnostiquées, certaines personnes déclinent rapidement, mais d’autres peuvent vivre avec des symptômes bénins pendant des années, ce qui rend difficile la prévision du taux de progression de la maladie.
« Lorsque nous pouvons dire avec confiance qu’une personne est atteinte de démence, il est trop tard. De nombreux dommages se sont déjà produits au cerveau, et ce sont des dommages irréversibles », a déclaré l’auteur principal Mert Sabuncu, professeur agrégé de génie électrique et informatique au College of Engineering. et de génie électrique en radiologie à Weill Cornell Medicine.
Nous devons vraiment être en mesure d’attraper la maladie d’Alzheimer dès le début et de savoir qui va progresser rapidement et qui va progresser plus lentement, afin de pouvoir stratifier les différents groupes à risque et pouvoir déployer toutes les options de traitement dont nous disposons. «
Mert Sabuncu, professeur agrégé de génie électrique et informatique au Collège d’ingénierie et de génie électrique en radiologie à Weill Cornell Medicine
Les cliniciens se concentrent souvent sur un seul «horizon temporel» – généralement trois ou cinq ans – pour prédire la progression de la maladie d’Alzheimer chez un patient. Le délai peut sembler arbitraire, selon Sabuncu, dont le laboratoire est spécialisé dans l’analyse des données biomédicales – en particulier les données d’imagerie, en mettant l’accent sur les neurosciences et la neurologie.
Sabuncu et Karaman se sont associés à la collaboratrice de longue date et co-auteure Elizabeth Mormino de l’Université de Stanford pour utiliser l’apprentissage automatique par réseau de neurones qui pourrait analyser cinq ans de données sur des personnes qui étaient cognitivement normales ou avaient une déficience cognitive légère. Les données, capturées dans une étude de l’Initiative de neuro-imagerie de la maladie d’Alzheimer, englobaient tout, des antécédents génétiques d’un individu aux examens TEP et IRM.
« Ce qui nous intéressait vraiment, c’est, pouvons-nous regarder ces données et dire si une personne va progresser dans les années à venir ? » dit Sabuncu. « Et surtout, pouvons-nous faire un meilleur travail de prévision lorsque nous combinons tous les points de données de suivi que nous avons sur des sujets individuels ? »
Les chercheurs ont découvert plusieurs modèles notables. Par exemple, prédire qu’une personne passera d’un état asymptomatique à des symptômes légers est beaucoup plus facile pour un horizon temporel d’un an, par rapport à cinq ans. Cependant, prédire si quelqu’un passera d’une déficience cognitive légère à la démence d’Alzheimer est plus précis sur une période plus longue, le « sweet spot » étant d’environ quatre ans.
« Cela pourrait nous dire quelque chose sur le mécanisme sous-jacent de la maladie et sur son évolution temporelle, mais c’est quelque chose que nous n’avons pas encore sondé », a déclaré Sabuncu.
En ce qui concerne l’efficacité des différents types de données, la modélisation a montré que les examens IRM sont plus informatifs pour les cas asymptomatiques et sont particulièrement utiles pour prédire si quelqu’un va développer des symptômes au cours des trois prochaines années, mais moins utiles pour prévoir les personnes atteintes de troubles cognitifs légers. . Une fois qu’un patient a développé une déficience cognitive légère, la TEP, qui mesure certains marqueurs moléculaires tels que les protéines amyloïde et tau, semble plus efficace.
L’un des avantages de l’approche d’apprentissage automatique est que les réseaux de neurones sont suffisamment flexibles pour pouvoir fonctionner malgré des données manquantes, comme les patients qui ont peut-être sauté une IRM ou une TEP.
Dans les travaux futurs, Sabuncu prévoit de modifier davantage la modélisation afin qu’elle puisse traiter des données d’imagerie ou génomiques complètes, plutôt que de simples mesures sommaires, afin de récolter plus d’informations qui amélioreront la précision prédictive.
La recherche a été soutenue par les National Institutes of Health National Library of Medicine et National Institute on Aging, et la National Science Foundation.
