À l’aide d’images rétiniennes haute résolution, un nouveau modèle d’IA détecte précocement la maladie d’Alzheimer et les troubles cognitifs légers, offrant ainsi l’espoir de soins de la démence plus rapides, non invasifs et abordables.
Étude : Détection précoce de la démence grâce à l’imagerie rétinienne et à une IA fiable. Crédit d'image : bfk/Shutterstock
Dans une étude récente publiée dans la revue Médecine numérique NPJles chercheurs ont développé un algorithme d'apprentissage profond capable d'analyser des images haute résolution du système vasculaire rétinien pour détecter la maladie d'Alzheimer (MA) et les troubles cognitifs légers (MCI) à des stades précoces. Cette approche innovante pourrait permettre aux cliniciens d'identifier les patients présentant un risque élevé de démence, permettant ainsi une intervention pharmacologique rapide pour ralentir la progression de la maladie et ses effets néfastes.
L'étude, qui a utilisé 5 751 images de 1 671 participants, a révélé que cette nouvelle méthode surpassait considérablement les techniques conventionnelles de détection de la MA et du MCI. Non seulement elle est précise, mais la méthode est également peu coûteuse, rapide et totalement non invasive, ce qui la rend idéale pour un dépistage généralisé. Les chercheurs suggèrent qu'une validation plus poussée de cette approche pourrait révolutionner les soins de la démence en permettant une détection précoce et une gestion à grande échelle.
Sommaire
Arrière-plan
La démence est une maladie évolutive qui affecte principalement les fonctions cognitives, notamment la mémoire, le traitement de l’information et le raisonnement, entraînant un déclin de la capacité à effectuer les tâches quotidiennes. Les progrès récents de la médecine ont prolongé la durée de vie humaine, contribuant ainsi à une augmentation mondiale des cas de démence, qui touchent désormais plus de 50 millions de personnes et devraient augmenter dans les années à venir.
Malgré des recherches approfondies, les méthodes existantes de détection de la démence, notamment les tests biochimiques et l'imagerie par résonance magnétique (IRM), sont limitées par leurs coûts élevés, leur caractère invasif et la nécessité d'installations spécialisées. De plus, ces techniques ne parviennent souvent pas à détecter la maladie d'Alzheimer à début précoce (EOAD), ce qui limite la capacité d'intervenir précocement chez les personnes à haut risque.
Des recherches récentes ont mis en évidence un lien potentiel entre la rétine, souvent appelée la « fenêtre sur le cerveau », et les maladies neurodégénératives comme la MA. Des études cliniques et des rapports histopathologiques ont démontré des modifications microvasculaires uniques dans la rétine chez les patients atteints de MA. Ces découvertes ont suscité l’intérêt pour l’utilisation de techniques avancées d’imagerie ophtalmique, telles que l’angiographie par tomographie par cohérence optique (OCTA), pour identifier les biomarqueurs rétiniens associés au déclin cognitif.
OCTA est une technique d'imagerie de pointe qui permet une imagerie rapide et non invasive de la microvascularisation rétinienne, y compris même des plus petits capillaires avec une résolution de 5 à 6 μm. Cette technologie fournit des informations détaillées sur le réseau microvasculaire et la structure de la zone avasculaire fovéale à travers différentes couches rétiniennes, ainsi que sur la choroïde.
En exploitant les données OCTA en conjonction avec l'intelligence artificielle (IA), les chercheurs visent à créer une solution rentable et évolutive pour identifier les personnes à risque de démence, promouvoir un vieillissement en bonne santé et faciliter des interventions rapides.
À propos de l'étude
Dans cette étude, les chercheurs ont développé et testé un nouveau modèle d’apprentissage en profondeur appelé « Eye-AD ». Le modèle a été spécialement conçu pour analyser les images OCTA et identifier les patients atteints de la maladie d'Alzheimer à un stade précoce ou d'un déficit cognitif léger. Le modèle traite les données haute résolution de diverses couches rétiniennes, notamment le complexe vasculaire superficiel (SVC), le complexe vasculaire profond (DVC) et la choriocapillaire (CC), pour détecter les modèles associés au déclin cognitif.
Les données de l’étude ont été collectées auprès de deux cohortes principales – ROMCI (détection MCI basée sur l’OCTA rétinien) et ROAD (détection EOAD basée sur l’OCTA rétinien) – qui comprenaient des images rétiniennes centrées sur la fovéa. Les images ont capturé des informations sur les structures vasculaires de la rétine, fournissant ainsi l'ensemble de données pour la formation et l'évaluation du modèle.
Le modèle Eye-AD comprend deux parties principales : un réseau neuronal convolutif (CNN) pour l'extraction de caractéristiques et un réseau neuronal graphique (GNN) pour la prédiction finale. Ces composants fonctionnent ensemble pour analyser les relations complexes entre les couches rétiniennes, permettant une évaluation plus complète de la fonction cognitive. Le modèle a été testé avec plusieurs encodeurs, notamment ResNet et ConvNeXt, et ConvNeXt a finalement été sélectionné en raison de sa rapidité et de ses performances constantes.
Résultats de l'étude
Les résultats de l'étude indiquent que le modèle Eye-AD est très précis et fiable. Ses performances ont dépassé celles des méthodes de détection biochimiques et IRM traditionnelles, avec une AUC (Area Under the Curve) de 0,9355 pour la détection de l'EOAD et de 0,8630 pour le MCI. La force du modèle réside dans sa précision, sa rentabilité et sa capacité à traiter rapidement les données, ce qui en fait une option pratique pour un dépistage à grande échelle.
L'analyse d'interprétabilité du modèle a également mis en évidence que le complexe vasculaire profond (DVC) a joué un rôle plus critique dans la détection de l'EOAD et du MCI que les autres couches rétiniennes, ce qui suggère que les structures rétiniennes plus profondes pourraient être davantage affectées par le déclin cognitif. Plus précisément, il a été constaté que le DVC contribue davantage aux prédictions du modèle, avec un score d'importance moyen de 40 % et 49 % pour les cas EOAD et MCI, respectivement. Ces résultats suggèrent que des changements dans les couches rétiniennes plus profondes pourraient fournir des informations sur les mécanismes sous-jacents à la démence et à sa progression.
De plus, l'étude a montré que les différences dans la structure rétinienne étaient plus prononcées chez les patients atteints d'EOAD que chez ceux atteints de MCI, reflétant probablement l'impact plus grave de la maladie d'Alzheimer sur le système vasculaire rétinien. Ces résultats confortent l’hypothèse selon laquelle les changements liés à la démence sont plus détectables dans les couches profondes de la rétine.
Conclusion
Le modèle Eye-AD représente une avancée significative dans la détection précoce de la démence. Sa capacité à dépister de manière non invasive de grandes populations en utilisant uniquement des images rétiniennes haute résolution en fait un outil idéal pour des évaluations généralisées de la santé cognitive. Le modèle est non seulement précis, mais également déployable à grande échelle, ce qui permet d'identifier les personnes atteintes de la maladie d'Alzheimer ou de MCI à un stade précoce et de faciliter des interventions rapides.
Bien que le modèle se soit révélé très prometteur, les chercheurs soulignent la nécessité de mener des études plus approfondies pour valider ses performances auprès de populations plus diverses. L'intégration d'autres modalités, telles que des analyses de sang ou des évaluations cognitives, pourrait également améliorer la puissance diagnostique du modèle. Avec un développement continu, le modèle Eye-AD a le potentiel de devenir une ressource précieuse pour le dépistage et la surveillance de la démence à l'avenir, favorisant ainsi un vieillissement en meilleure santé et améliorant les résultats pour les patients.
