Dans une étude récente publiée dans Médecine naturelleLes chercheurs utilisent « Surreal-GAN », un modèle d’apprentissage à représentation profonde basé sur l’intelligence artificielle (IA), pour examiner l’hétérogénéité des cerveaux vieillissants.
Étude: Modèles de vieillissement cérébral dans une cohorte large et diversifiée de 49 482 individus. Crédits photo : Wirestock Creators / Shutterstock.com
Sommaire
La neurologie du vieillissement
Le cerveau humain vieillissant subit de nombreux changements structurels qui varient en fonction de la génétique, du mode de vie de l'individu et de la présence de maladies coexistantes. Cette hétérogénéité du vieillissement cérébral est également influencée par des facteurs qui peuvent soit exacerber, soit protéger contre les processus neuropathologiques liés à l'âge.
Des changements précoces et subtils dans des régions cérébrales spécifiques peuvent apparaître au cours des phases précliniques de maladies neurodégénératives comme la maladie d'Alzheimer. Il est donc essentiel de comprendre ces changements neuroanatomiques chez un large éventail d'individus.
Les études de neuroimagerie traditionnelles ont fourni des informations importantes sur le rôle du vieillissement et des maladies dans l’altération de la structure et du fonctionnement du cerveau, en s’appuyant souvent sur des comparaisons cas-témoins. Cependant, ces méthodes sont limitées dans leur capacité à traiter l’hétérogénéité individuelle, car elles se concentrent généralement sur des modèles moyens, plutôt que de capturer les divers changements neuroanatomiques entre les individus.
Les approches d’apprentissage automatique (ML) ont été utilisées avec succès pour identifier des biomarqueurs de neuroimagerie du vieillissement cérébral au niveau individuel. Cependant, ces méthodes ne tiennent souvent pas compte de l’hétérogénéité sous-jacente et, par conséquent, n’identifient que les biomarqueurs qui reflètent un modèle typique ou moyen.
À propos de l'étude
La présente étude a utilisé Surreal-GAN pour analyser les schémas de vieillissement cérébral en apprenant des transformations un-à-plusieurs d'une population de référence (REF) à une population cible (TAR) pour capturer des changements cérébraux hétérogènes. Ces données sont ensuite distillées en indices de représentation (R) qui quantifient la gravité des changements cérébraux individualisés selon plusieurs dimensions.
Le groupe REF comprenait 1 150 participants âgés de 20 à 49 ans, tandis que le groupe TAR comprenait 8 992 personnes âgées de 50 à 97 ans, y compris des personnes souffrant de troubles cognitifs légers (MCI) ou de démence.
Pour garantir la robustesse du modèle, la reproductibilité a été testée sur un ensemble d'entraînement indépendant et entre les sexes. Les chercheurs ont également associé les indices R à des mesures démographiques, cliniques, neurocognitives, de style de vie et génétiques à l'aide de corrélations partielles, de morphométrie basée sur les voxels et d'études d'association pangénomique (GWAS).
Les associations avec les maladies chroniques ont été étudiées au moyen d'une analyse de régression linéaire multiple ajustée en fonction de l'âge et du sexe. Les capacités pronostiques ont été évaluées à l'aide de modèles de risque proportionnel de Cox sur des données longitudinales.
Résultats de l'étude
Cinq indices R distincts de R1, R2, R3, R4 et R5 représentaient respectivement l'atrophie sous-corticale, temporale médiane, pariéto-temporale, corticale diffuse et périsylvienne. Ces indices étaient significativement associés à des variables démographiques, telles que l'âge et le sexe, ainsi qu'à plusieurs maladies chroniques, dont le MCI, la démence, la schizophrénie et la maladie de Parkinson.
R2, R3 et R5 étaient fortement corrélés aux biomarqueurs de la maladie d'Alzheimer, en particulier le liquide céphalo-rachidien (LCR)-pTau181 et le LCR-Aβ42. R5 était associé à un large éventail de maladies chroniques et de facteurs liés au mode de vie, tels que la consommation d'alcool et le tabagisme.
Les indices R de base étaient de puissants prédicteurs de la progression de la maladie, d'un état cognitif normal à un MCI et d'un MCI à la démence, ainsi que du risque de mortalité.
Plusieurs loci génétiques ont été associés à ces indices R, dont certains n’étaient pas auparavant liés à des traits cliniques. Ainsi, les indices R peuvent à la fois capturer l’hétérogénéité du vieillissement cérébral et servir de marqueurs précieux pour comprendre la progression des maladies neurodégénératives, ainsi que l’impact du mode de vie et des facteurs génétiques sur la santé cérébrale.
L'étude actuelle est renforcée par l'utilisation d'une méthodologie Surreal-GAN améliorée avec une large applicabilité pour découvrir les modèles de vieillissement cérébral, offrant ainsi un système extensible applicable à diverses questions de recherche. Cependant, les limites notables de l'étude actuelle incluent la sous-représentation de pathologies rares et de certaines maladies, ainsi que le seuil d'âge choisi, qui peut masquer certains changements précliniques dans le groupe REF.
Conclusions
Les chercheurs ont développé Surreal-GAN, un système de représentation en cinq dimensions pour caractériser l'hétérogénéité neuroanatomique du vieillissement cérébral. Surreal-GAN fournit un nouvel outil pour décortiquer l'hétérogénéité de l'atrophie cérébrale et comprendre ses liens avec les facteurs démographiques, pathologiques, de style de vie et les variantes génétiques. En outre, Surreal-GAN a également le potentiel d'améliorer les diagnostics personnalisés, la gestion des patients et d'améliorer la précision et l'efficacité des essais cliniques.
