Le modèle d’IA offre des avertissements plus précoces en matière de démence et une meilleure détection du cancer du cerveau

L’outil d’IA développé par les chercheurs du Mass General Brigham s’appelle Brain Imaging Adaptive Core (BrainIAC).

« BrainIAC est un modèle de base d'IA qui est formé sur des dizaines de milliers d'IRM cérébrales pour comprendre comment le cerveau est structuré », Benjamin Kann, MD, membre du corps professoral du programme d'intelligence artificielle en médecine (AIM) du Mass General Brigham ; et auteur correspondant de cette étude, a déclaré Actualités médicales aujourd'hui.

« En utilisant ces connaissances de base de base, l'outil peut ensuite être adapté pour identifier diverses maladies cérébrales, déterminer leur gravité et prédire les risques futurs liés à ces maladies », a déclaré Kann, qui est également professeur agrégé de radio-oncologie au Brigham and Women's Hospital, au Dana-Farber Cancer Institute et à la Harvard Medical School.

« Il existe une vaste mine de données parmi les millions d'IRM cérébrales réalisées chaque année aux États-Unis », a poursuivi Kann.

« En règle générale, ces analyses sont analysées par des humains pour une raison particulière, mais cela ne fait qu'effleurer la surface de l'histoire que ces analyses pourraient nous raconter sur nos patients. »

« Grâce à l'IA et aux techniques avancées d'imagerie informatique, nous sommes en mesure d'extraire beaucoup plus d'informations que jamais auparavant à partir de ces analyses, ce qui pourrait conduire à des moyens puissants et cliniquement utiles pour suivre une variété de maladies aiguës et chroniques, de l'accident vasculaire cérébral au cancer, en passant par la démence, ainsi que prédire les risques futurs pour les patients », a-t-il ajouté.

Grâce à leur étude, les chercheurs ont validé les performances de BrainIAC sur près de 49 000 IRM cérébrales diverses. Cela a permis aux scientifiques de déterminer que le modèle d’IA est capable d’analyser ces IRM pour aider à identifier l’âge du cerveau, prédire le risque de démence, détecter les variations des tumeurs cérébrales et prédire les taux de survie au cancer du cerveau.

« L'identification de ces problèmes informera les cliniciens et les patients du type de traitement ou des mesures préventives à prendre pour réduire les risques futurs, améliorant ainsi la qualité de vie et la survie », a expliqué Kann.

« Par exemple, prédire un risque élevé de démence alerterait le clinicien que ce patient devrait commencer des interventions telles que l’exercice physique, l’entraînement cognitif et la gestion des risques vasculaires/métaboliques pour réduire ce risque autant que possible. »

« Les patients présentant une mutation particulière d'une tumeur cérébrale identifiée peuvent être éligibles à des thérapies ciblées visant cette mutation afin d'améliorer leur contrôle de la maladie. »

Kann et son équipe ont également découvert que BrainIAC surpassait d'autres modèles d'IA plus spécifiques à des tâches et était particulièrement productif lorsque les données d'entraînement étaient limitées.

« Le plus grand défi pour développer des modèles d’IA précis, robustes et cliniquement traduisibles pour l’imagerie médicale est peut-être le manque d’ensembles de données volumineux et bien étiquetés, qui reposent souvent dans des bases de données hospitalières cloisonnées et nécessitent un effort manuel important pour être organisés », a déclaré Kann.

« Avec BrainIAC, nous montrons que lorsque vous pré-entraînez un modèle avec des données non étiquetées – qui sont beaucoup plus faciles à trouver en grande quantité – le modèle peut établir une connaissance de base à partir de laquelle il a besoin de beaucoup moins de données étiquetées pour qu'une tâche particulière fonctionne correctement. »

« Cela ouvre la porte à des modèles basés sur l'IRM qui peuvent être formés à partir de données beaucoup moins étiquetées. »

« Par exemple, une équipe clinique pourrait adapter BrainIAC pour une utilisation dans sa propre institution avec un petit ensemble de données afin de prédire des choses comme le contrôle du cancer, la démence ou même des tâches non incluses dans notre étude, comme la progression de la sclérose en plaques ou l'hémorragie intracrânienne – sans avoir besoin de milliers d'analyses étiquetées pour la formation, qui sont souvent impossibles à obtenir », a-t-il ajouté.

Kann a déclaré avoir déjà reçu de nombreuses demandes de recherche sur la manière d'adapter BrainIAC à diverses applications d'IRM cérébrale.

« Nous avons publié BrainIAC dans sa forme actuelle (en tant que) open source à des fins de recherche afin qu'il soit accessible à tout chercheur ou praticien », a-t-il expliqué.

« À l’avenir, nous prévoyons d’améliorer le modèle et d’étendre son application à d’autres maladies cérébrales. »

MNT a eu l'occasion de parler de cette étude avec Walavan Sivakumar, MD, neurochirurgien certifié, directeur de neurochirurgie et chef de cabinet de la Providence Little Company of Mary à Torrance, en Californie, qui a déclaré que sa réaction initiale était celle d'un optimisme prudent.

« De mon point de vue, ce qui ressort n'est pas seulement que ce modèle peut effectuer plusieurs tâches – nous l'avons déjà vu – mais aussi la façon dont il a été formé », a expliqué Sivakumar.

« L'utilisation par BrainAIC de l'apprentissage auto-supervisé sur 48 965 IRM cérébrales diverses répond à une critique historique de la situation actuelle de l'IA clinique : ces modèles peuvent bien fonctionner dans un silo universitaire, mais ne sont pas applicables à des environnements hétérogènes du monde réel. »

« Je suis toujours surpris qu'un modèle de base unique ait pu se généraliser à plusieurs tâches telles que le vieillissement cérébral, le risque de démence, la biologie des tumeurs et la survie », a-t-il poursuivi.

« C'est plus impressionnant, en particulier dans les scénarios cliniques où les données étiquetées sont limitées – l'étude a montré que BrainIAC excellait particulièrement lorsque les données d'entraînement étaient rares, dans des scénarios de disponibilité de 10 %. Cela représente une approche plus réaliste que le développement d'un algorithme étroit différent pour chaque question clinique. « 

Sivakumar a déclaré qu'il est important que les chercheurs continuent de trouver de nouvelles façons d'analyser les ensembles de données d'IRM cérébrale, car il existe une quantité importante d'informations provenant des IRM cérébrales qui ne sont actuellement pas extraites dans la pratique clinique régulière.

« Les cliniciens sont formés et assez faciles à reconnaître les formes, mais l'interprétation qualitative reste un défi », a-t-il poursuivi.

« Des modèles avancés comme celui-ci peuvent identifier des signaux subtils et distribués, tels que des modèles précoces d'atrophie ou des changements microstructuraux observés dans les tumeurs, qui ne sont pas visibles à l'œil humain ou pour lesquels nous ne disposons pas de rapports standardisés. »

« Pour des maladies comme la démence et le cancer du cerveau, où une stratification précoce du risque ou un pronostic plus précis peuvent avoir des impacts considérables sur le conseil, la surveillance et la planification du traitement, ces informations sont extrêmement importantes », a ajouté Sivakumar.

« De plus, la capacité d’analyser les IRM entre institutions et plates-formes d’imagerie est essentielle si l’on veut que ces outils puissent être adoptés dans la pratique clinique réelle. »

MNT s'est également entretenu avec Lana Zhovtis Ryerson, MD, FAAN, directrice de la division de neuroimmunologie au centre médical de l'université de Jersey Shore et professeure agrégée de neurologie à la Hackensack Meridian School of Medicine du New Jersey, à propos de cette nouvelle recherche.

Ryerson a déclaré qu'elle était très impressionnée par l'étendue des capacités de ce modèle d'IA dans tant de fonctions différentes de la neuroradiologie.

« Il est important de continuer à trouver de nouvelles façons d’analyser les ensembles de données d’IRM cérébrale, car nous ne disposons pas de ressources fiables et faciles à utiliser pour faire ces choses en pratique clinique », a-t-elle expliqué.

« Dans le domaine de la neurologie, nous reconnaissons qu'il est important de reconnaître les processus pathologiques à un stade précoce, car cela nous donne les meilleures chances de traiter efficacement et de prévenir leur aggravation. Pourtant, trop souvent, nous constatons des retards dans le diagnostic en raison du manque de biomarqueurs et d'une reconnaissance incohérente des facteurs de risque ou des signaux d'alarme chez les patients. »

«J'aimerais voir ce modèle d'IA évalué dans la pratique clinique», a ajouté Ryerson.