BrainAge et Alzheimer : comment différencier le vieillissement cérébral et le déclin cognitif

La doctorante Marta Arbizu Gómez aborda una cuestión importante: les modèles d’âge cérébral (BrainAge) reflètent-ils les changements spécifiques de la maladie d’Alzheimer ou captent-ils le vieillissement normal du cerveau ?

Résumé exécutif:

BrainAge est un biomarqueur qui estime l’âge cérébral, mais il ne distingue pas toujours le vieillissement normal de la maladie d’Alzheimer. Les études montrent que la neuroimagerie prédit mieux l’âge cérébral, tandis que les tests neuropsychologiques sont plus efficaces pour diagnostiquer la maladie. En Espagne, combiner les deux permet d’améliorer l’évaluation clinique et la rééducation cognitive avec des outils tels que NeuronUP.

Qu’est-ce que l’âge cérébral et pourquoi est-il intéressant dans la maladie d’Alzheimer ?

Le vieillissement est le principal facteur de risque pour la maladie d’Alzheimer (EA), mais vieillissement et neurodégénérescence ne sont pas exactement la même chose. À mesure que les personnes vieillissent, le cerveau subit des changements structurels et fonctionnels naturels. Cependant, dans la maladie d’Alzheimer ces changements s’accélèrent et affectent des régions cérébrales clés impliquées dans la mémoire et la cognition.

Ces dernières années, les chercheurs ont développé modèles d’âge cérébral (BrainAge), des algorithmes d’apprentissage automatique capables d’estimer l’âge biologique du cerveau à partir de données de neuroimagerie ou de tests cognitifs. L’idée est simple : si le cerveau d’une personne semble « plus vieux » que son âge chronologique, cela pourrait être un signe précoce de déclin neurologique.

La différence entre l’âge cérébral estimé et l’âge réel s’appelle le BrainAge Delta. Une valeur positive indique que le cerveau semble plus vieilli que prévu, tandis qu’une valeur négative suggère un cerveau plus « jeune ».

Cependant, une question importante se pose : ces modèles reflètent-ils réellement les changements spécifiques de la maladie d’Alzheimer ou captent-ils simplement le vieillissement normal du cerveau ? Une étude récente publiée dans NeuroImage, et menée par le Laboratoire d’Imagerie Neuroinformatique de l’Instituto de Investigación Sanitaria Biobizkaia, traite précisément cette question, en analysant comment les variables utilisées dans les modèles BrainAge influencent la capacité à identifier la maladie d’Alzheimer.

Comment cette recherche sur l’âge cérébral et la maladie d’Alzheimer a-t-elle été menée ?

Pour répondre à cette question, les chercheurs ont utilisé des données du projet Alzheimer’s Disease Neuroimaging Initiative (ADNI), l’une des bases de données internationales les plus utilisées dans la recherche sur les démences.

L’étude a inclus des participants appartenant à cinq groupes cliniques :

• Personnes cognitivement saines (CN).
• Personnes avec un déficit cognitif léger (MCI).
• Patients atteints de la maladie d’Alzheimer (AD).
• MCI stable (sMCI).
• MCI progressant vers la maladie d’Alzheimer (pMCI).

Les modèles ont été entraînés en utilisant deux types de variables principales :

Données de neuroimagerie

Extraites de l’imagerie par résonance magnétique structurale (T1) :

• volume de matière grise,
• volume de matière blanche,
• volume de l’hippocampe,
• amygdale,
• thalamus,
• putamen,
• noyau caudé,
• liquide cérébrospinal, entre autres.

Ces mesures reflètent des changements structurels dans le cerveau associés à la fois au vieillissement et à la neurodégénérescence.

Variables neuropsychologiques

Ont également été incluses des scores de tests cognitifs largement utilisés en clinique :

• MMSE,
• ADAS,
• MoCA,
• FAQ,
• score de mémoire ADNI,
• fonction exécutive ADNI.

Les chercheurs ont analysé quelles variables étaient les plus utiles pour deux objectifs distincts :

1. Prédire l’âge cérébral.
2. Distinguer entre différents groupes cliniques.

Ils ont ensuite entraîné différents modèles BrainAge en utilisant des combinaisons progressives de ces variables.

Principaux résultats de l’étude sur l’âge cérébral et la maladie d’Alzheimer

Les résultats montrent une différence claire entre les types de variables utilisées.

Les variables issues de l’IRM —comme le volume de matière grise ou de l’hippocampe— ont été les plus informatives pour prédire l’âge cérébral. En revanche, les tests neuropsychologiques se sont révélés plus efficaces pour distinguer les personnes saines et les patients atteints de la maladie d’Alzheimer.

Ce schéma suggère que les modèles qui tentent d’estimer l’âge cérébral peuvent capter des processus de vieillissement normaux qui ne reflètent pas nécessairement la pathologie spécifique de la maladie d’Alzheimer.

Neuroimagerie : meilleure pour estimer l’âge

Les variables issues de l’IRM —comme le volume de matière grise ou de l’hippocampe— ont été les plus informatives pour prédire l’âge cérébral.

Cela a du sens, car le vieillissement normal entraîne des changements structurels progressifs dans le cerveau.

Tests cognitifs : meilleurs pour identifier la maladie

En revanche, les tests neuropsychologiques se sont avérés plus efficaces pour distinguer les personnes saines, le déficit cognitif léger et la maladie d’Alzheimer.

Autrement dit, bien que les images cérébrales captent bien le vieillissement, la performance cognitive reflète mieux les différences cliniques entre les groupes.

Une découverte importante : précision versus utilité clinique

L’un des résultats les plus intéressants de l’étude est qu’il existe un compromis entre la précision dans la prédiction de l’âge et la capacité à classifier la maladie.

Lorsque les modèles sont optimisés en utilisant des variables davantage liées au vieillissement, l’erreur de prédiction de l’âge diminue. Cependant, leur capacité à distinguer les personnes saines des patients atteints de la maladie d’Alzheimer ne s’améliore pas toujours. Au contraire, lorsque l’on privilégie des variables dotées d’une plus grande capacité discriminative, la classification des groupes cliniques s’améliore, bien que l’estimation de l’âge cérébral perde en précision.

Ce résultat suggère que les changements liés au vieillissement et ceux liés à la maladie d’Alzheimer ne sont pas exactement les mêmes processus biologiques.

Le rôle clé de l’hippocampe

Parmi toutes les variables analysées, le hippocampe s’est distingué comme l’une des régions cérébrales les plus pertinentes.

Son volume a montré une forte capacité à différencier les différents groupes cliniques, ce qui concorde avec les preuves antérieures : l’hippocampe est l’une des premières structures affectées par la pathologie d’Alzheimer et son atrophie est étroitement liée aux déficits de mémoire.

Les modèles BrainAge sont-ils utiles pour diagnostiquer la maladie d’Alzheimer ?

Les chercheurs ont également comparé deux stratégies différentes :

1. Classer les patients en utilisant le BrainAge delta.
2. Les classer en utilisant directement les variables cérébrales.

Les résultats ont montré que, dans de nombreux cas, utiliser les variables directement était aussi ou même plus efficace que d’utiliser le BrainAge delta.

Cela indique que les modèles BrainAge n’apportent pas toujours d’informations supplémentaires pour le diagnostic.

Cependant, ils présentent un avantage conceptuel important : ils génèrent une métrique continue unique, qui pourrait être utilisée comme indicateur de risque ou comme outil pour surveiller la progression de la maladie au fil du temps.

Quelles implications pour la recherche sur la maladie d’Alzheimer ?

Cette étude apporte plusieurs conclusions pertinentes pour le développement de biomarqueurs basés sur l’intelligence artificielle :

1. Séparer vieillissement et maladie est fondamental. Les modèles qui tentent de capturer les deux processus simultanément peuvent confondre les changements normaux du vieillissement avec la neurodégénération.
2. La sélection des variables est cruciale. Selon l’objectif —prédire l’âge ou détecter la maladie— différents types de variables doivent être utilisés.
3. Les modèles doivent être conçus pour des tâches spécifiques. Un modèle optimisé pour estimer l’âge biologique ne sera pas nécessairement le meilleur pour diagnostiquer la maladie d’Alzheimer.

En définitive, le vieillissement n’est pas simplement le « bruit » de fond dans la maladie d’Alzheimer, mais un processus qui interagit activement avec la pathologie.

Quel lien entre cette avancée et NeuronUP ?

Mieux comprendre la différence entre vieillissement cérébral et déclin neurodégénératif a des implications directes pour la rééducation cognitive.

Sur des plateformes comme NeuronUP, utilisées pour l’entraînement cognitif et la stimulation des fonctions exécutives, de la mémoire ou de l’attention, disposer de biomarqueurs fiables peut aider à :

• identifier les patients à des stades précoces.
• personnaliser les programmes de rééducation selon le profil cognitif.
• surveiller l’évolution des patients au fil du temps.

Alors que des outils comme BrainAge contribuent à améliorer la détection et la compréhension de la maladie, des solutions digitales comme NeuronUP permettent d’intervenir sur le fonctionnement cognitif et la qualité de vie des patients.

Cette étude a été dirigée par le Dr. Jesus M. Cortes, qui est également Directeur de la Recherche chez NeuronUP, depuis l’Institut de recherche sanitaire BioBizkaia et en collaboration avec des chercheurs de la Harvard Medical School, University Carlos III de Madrid, Vrije Universiteit Amsterdam, Brigham & Women’s, University of Melbourne, Ikerbasque et la Universidad del País Vasco. 

Conclusions pour les professionnels

Les modèles BrainAge représentent un outil prometteur pour étudier le vieillissement cérébral et sa relation avec la maladie d’Alzheimer. Cependant, cette étude montre que la relation entre l’âge cérébral et la neurodégénération est complexe.

Les variables structurelles du cerveau sont particulièrement utiles pour estimer l’âge biologique, tandis que les tests cognitifs sont plus efficaces pour distinguer entre différents états cliniques.

C’est pourquoi le développement de modèles prédictifs dans la maladie d’Alzheimer doit tenir compte du processus que l’on souhaite étudier —vieillissement ou maladie— et sélectionner soigneusement les variables utilisées.

À l’avenir, l’intégration de biomarqueurs biologiques, de la neuroimagerie et d’outils numériques d’évaluation et de rééducation cognitive pourrait offrir une vision plus complète et personnalisée du traitement de la maladie d’Alzheimer.

Bibliographie

• Garcia Condado J, Verdugo Recuero I, Tellaetxe-Elorriaga I, Birkenbihl C, Carrigan M, Diez I, Buckley RF, Erramuzpe A, Cortes JM. Aging as an active player in Alzheimer’s disease classification: Insights from feature selection in BrainAge models. NeuroImage. 2025. doi:10.1016/j.neuroimage.2025.121548.

Si cet article de blog sur BrainAge et la maladie d’Alzheimer : comment différencier le vieillissement cérébral du déclin cognitif t’a plu, ces articles de NeuronUP pourraient certainement t’intéresser :