Un modèle d'IA révolutionnaire analyse diverses données pour révéler une progression plus rapide de la maladie d'Alzheimer chez les femmes noires, offrant ainsi un outil puissant pour la détection précoce et les soins personnalisés.
Étude : Prédiction et regroupement de la maladie d'Alzheimer par race et sexe : une approche d'apprentissage profond multi-têtes pour analyser des données irrégulières et hétérogènes. Crédit d'image : STEKLO/Shutterstock
Dans une étude récente publiée dans la revue Rapports scientifiquesdes chercheurs américains ont développé un modèle multi-têtes d'apprentissage profond conçu pour analyser la progression de la maladie d'Alzheimer (MA) chez des individus cognitivement normaux. Ce modèle utilise des architectures de réseaux neuronaux avancées, notamment les réseaux de neurones convolutifs (CNN) et la mémoire à long terme (LSTM), pour traiter les données multimodales et prédire la progression de la MA. Ils ont trouvé quatre groupes de progression principaux : convertisseurs lents, modérés, rapides et non-convertisseurs – avec des modèles variant selon la race et le sexe. Le modèle a largement surpassé les modèles monomodaux et a identifié des prédicteurs critiques et divers de la progression de la maladie.
Sommaire
Arrière-plan
La MA affecte la cognition, la mémoire et le comportement, la détection précoce étant essentielle pour optimiser les résultats du traitement. Les études actuelles ciblent en grande partie les individus présentant un déficit cognitif léger (MCI) ou des symptômes avancés, tandis que peu de recherches explorent les individus asymptomatiques ayant une cognition normale et présentant un risque de progression de la MA. Cette sous-représentation est particulièrement évidente pour les personnes hispaniques/latino-américaines et noires/afro-américaines, qui sont confrontées à un risque plus élevé de MA mais sont moins souvent incluses dans les essais cliniques. Les facteurs contribuant à cet écart comprennent la méfiance, les obstacles socio-économiques et les défis logistiques, qui compliquent tous la collecte de données auprès de diverses populations. L’apprentissage automatique est de plus en plus utilisé en neurologie pour prédire la progression de la maladie, ce qui peut permettre une détection et une intervention plus précoces. Cependant, les modèles conventionnels ont du mal à gérer la nature complexe et de grande dimension des données biomédicales. Les modèles d’apprentissage profond évolutifs sont mieux adaptés pour identifier des modèles parmi divers facteurs de risque, améliorant potentiellement la prévision du risque de MA et soutenant une recherche équitable et inclusive sur la MA. En gardant ces défis à l’esprit, les chercheurs de la présente étude ont développé un modèle d’apprentissage profond multi-têtes pour prédire la progression de la MA, en identifiant les prédicteurs clés et en regroupant les participants pour capturer l’hétérogénéité au niveau de la population.
À propos de l'étude
Les chercheurs ont utilisé des données complètes et de grande dimension du Centre national de coordination de la maladie d'Alzheimer (NACC) pour créer un modèle d'apprentissage profond prédictif multi-têtes. Ce modèle a été structuré de manière unique pour gérer de grands ensembles de données, combinant des données biomédicales et d'imagerie pour améliorer la prédiction de la progression de la maladie d'Alzheimer, le regroupement et l'extraction de caractéristiques. Un prétraitement approfondi a été appliqué pour affiner les données et atténuer les biais potentiels, notamment la sélection des fonctionnalités, les méthodes d'équilibrage et la gestion des valeurs manquantes, ce qui a abouti à l'inclusion de 6 110 participants et 447 fonctionnalités dans divers domaines. Environ 63 % des participants étaient des femmes, 87 % étaient blancs (dont 5 % hispaniques/latinos) et 13 % étaient noirs ou afro-américains. La plupart des participants avaient plus de 61 ans lors de leur première visite, ce qui constitue un ensemble de données important pour ce groupe d'âge.
Le modèle de réseau neuronal multi-têtes utilisait des données multimodales et des stratégies de fusion pour apprendre et différencier des interactions complexes. Cette approche combine de manière unique les modèles CNN, LSTM et XGBoost pour capturer des données longitudinales et prédire la progression de la maladie avec une grande précision. D'autres analyses comprenaient l'extraction et le regroupement de caractéristiques basées sur SHAP, l'identification des principaux prédicteurs de la progression de la maladie, tels que l'évaluation clinique de la démence, les accidents vasculaires cérébraux, la dépression et le diabète, et la validation de l'hétérogénéité de la population.
Résultats et discussion
Environ 61 % des participants ne possédaient pas l’allèle du gène à risque apolipoprotéine E4 (APOE4), tandis que 27 % en avaient 1 copie et 3 % en avaient 2 copies. Le modèle CNN multimodal, multi-têtes, à fusion précoce et à deux couches a surpassé 14 autres modèles monomodaux dans des paramètres clés, notamment l'exactitude, la précision, le rappel et le score F1, démontrant une forte reconnaissance des formes et une prédiction des classes déséquilibrées.
Les participants ont été classés en quatre groupes en fonction du taux de progression : non-convertisseurs (80 %), convertisseurs lents (14 %), convertisseurs modérés (4 %) et convertisseurs rapides (2 %). Les participants noirs/afro-américains, en particulier les femmes, ont montré une progression plus rapide de la maladie et une plus grande variabilité que les participants blancs, les non-convertisseurs restant le groupe le plus important quel que soit le sexe et la race. Notamment, les femmes noires/afro-américaines du groupe de conversion rapide ont contourné le stade MCI, progressant directement vers la démence, alors que les femmes blanches avaient tendance à connaître une phase intermédiaire MCI. Cette tendance met en évidence la manière dont la race et le sexe peuvent influencer la progression de la MA, les femmes noires/afro-américaines présentant à la fois une apparition plus précoce de la maladie et une plus grande variabilité dans tous les groupes. Les prédicteurs basés sur l'IRM, bien qu'influents, se classent moins bien dans la prédiction des transitions spécifiques vers le MCI/démence.
Conclusion
En conclusion, cette étude a démontré avec succès qu'un modèle d'apprentissage profond multi-têtes peut traiter efficacement la complexité de la MA, révélant une hétérogénéité significative entre les groupes de progression et offrant de nouvelles informations sur la manière dont les données démographiques influencent la progression de la maladie. Les participants noirs/afro-américains, en particulier les femmes, ont montré une progression de la maladie plus précoce et plus variable que les participants blancs. À l’avenir, cette approche pourrait soutenir le développement de méthodes de dépistage ciblées pour les personnes les plus à risque.
