{"id":10838,"date":"2024-10-08T13:52:35","date_gmt":"2024-10-08T13:52:35","guid":{"rendered":"https:\/\/neuronup.com\/fr\/?p=10838"},"modified":"2024-12-20T15:27:52","modified_gmt":"2024-12-20T13:27:52","slug":"diagnostic-differentiel-des-etiologies-de-la-demence-base-sur-lia-a-partir-de-donnees-multimodales","status":"publish","type":"post","link":"https:\/\/neuronup.com\/fr\/nouveautes-neuronup\/diagnostic-differentiel-des-etiologies-de-la-demence-base-sur-lia-a-partir-de-donnees-multimodales\/","title":{"rendered":"Diagnostic diff\u00e9rentiel des \u00e9tiologies de la d\u00e9mence bas\u00e9 sur l’IA \u00e0 partir de donn\u00e9es multimodales"},"content":{"rendered":"\n

Le chercheur Antonio Javier Sutil Jim\u00e9nez expose dans cet article les donn\u00e9es les plus pertinentes sur l’\u00e9tude \u00ab\u00a0Diagnostic diff\u00e9rentiel des \u00e9tiologies de la d\u00e9mence bas\u00e9 sur l’IA sur des donn\u00e9es multimodales\u00a0\u00bb<\/em>.<\/p>\n\n\n\n

Pourquoi l’\u00e9tude de la d\u00e9mence et de l’intelligence artificielle (IA) est-elle importante ?<\/h2>\n\n\n\n

La population mondiale vieillit et avec cela, nous faisons face \u00e0 de multiples risques pour la sant\u00e9 li\u00e9s \u00e0 l’\u00e2ge. L’un de ces risques est la d\u00e9mence, dont le diagnostic augmente d’environ 10 millions de nouveaux cas chaque ann\u00e9e. Les d\u00e9mences <\/a>sont un ensemble de maladies caract\u00e9ris\u00e9es par la d\u00e9t\u00e9rioration des fonctions cognitives au point de rendre difficile ou impossible la r\u00e9alisation des activit\u00e9s de la vie quotidienne de mani\u00e8re ind\u00e9pendante. Parmi elles, la maladie d’Alzheimer se distingue, mais il existe de nombreuses autres comme la d\u00e9mence vasculaire, la d\u00e9mence \u00e0 corps de Lewy<\/a> ou la d\u00e9mence frontotemporale<\/a>.<\/p>\n\n\n\n

Comment intervenir pour r\u00e9duire les probl\u00e8mes associ\u00e9s aux d\u00e9mences ?<\/h3>\n\n\n\n

La r\u00e9ponse serait li\u00e9e \u00e0 l’obtention de diagnostics pr\u00e9coces et pr\u00e9cis<\/strong> qui permettraient de r\u00e9aliser des th\u00e9rapies efficaces et sp\u00e9cifiquement dirig\u00e9es vers chaque maladie. En 2017, l’Organisation mondiale de la sant\u00e9 (OMS) a d\u00e9j\u00e0 d\u00e9clar\u00e9 la n\u00e9cessit\u00e9 d’am\u00e9liorer les diagnostics pour r\u00e9pondre \u00e0 l’augmentation des cas de d\u00e9mence dans le monde. Cependant, les diff\u00e9rents types de d\u00e9mence sont parfois difficilement diff\u00e9renciables \u00e0 un stade pr\u00e9coce<\/strong>, car les sympt\u00f4mes associ\u00e9s \u00e0 chaque d\u00e9mence sont complexes. \u00c0 cela s’ajoute que parfois, les diff\u00e9rentes d\u00e9mences peuvent coexister, ce qui entra\u00eene un grand nombre d’erreurs diagnostiques.<\/p>\n\n\n\n

Gold Standard<\/h3>\n\n\n\n

Ces diagnostics se sont principalement bas\u00e9s sur des \u00e9valuations neuropsychologiques. Cependant, ces diagnostics bas\u00e9s sur des tests cognitifs et comportementaux ont \u00e9t\u00e9 tent\u00e9s d’\u00eatre li\u00e9s \u00e0 des tests \u00e9valuant des \u00e9chantillons biologiques, comme des IRM, des \u00e9chantillons de sang ou de liquide c\u00e9phalorachidien, entre autres. Malgr\u00e9 de grands efforts, il manque encore un test de diagnostic de type \u00ab\u00a0Gold Standard\u00a0\u00bb<\/strong>. C’est le nom qui d\u00e9signe un test de diagnostic ayant une haute fiabilit\u00e9 pour diagnostiquer une maladie sp\u00e9cifique. Ce Gold Standard a \u00e9t\u00e9 recherch\u00e9 principalement \u00e0 travers les donn\u00e9es biologiques, sans succ\u00e8s jusqu’\u00e0 pr\u00e9sent.<\/p>\n\n\n\n

Solution bas\u00e9e sur l’intelligence artificielle (IA)<\/h3>\n\n\n\n

Pour r\u00e9soudre cette situation, un groupe de chercheurs de l’Universit\u00e9 de Boston, ainsi que des chercheurs de tous les \u00c9tats-Unis, a propos\u00e9 une solution bas\u00e9e sur l’intelligence artificielle qui permettrait de travailler avec un grand ensemble de donn\u00e9es h\u00e9t\u00e9rog\u00e8nes<\/strong>. Ces donn\u00e9es sont h\u00e9t\u00e9rog\u00e8nes car elles visent \u00e0 imiter le monde r\u00e9el<\/strong>; c’est-\u00e0-dire utiliser les m\u00eames outils qu’un professionnel clinique utiliserait pour apporter une solution au probl\u00e8me de diagnostic et de pr\u00e9vention li\u00e9 aux d\u00e9mences. Les multiples types de donn\u00e9es abord\u00e9es sont : sociod\u00e9mographiques, neurologiques, physiques, histoire m\u00e9dicale et IRM.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Abonnez-vous<\/strong>
\u00e0 notre
Newsletter<\/h2>\n\n\n\n
\n
Abonnez-vous<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

Que s’est-il pass\u00e9 ?<\/h2>\n\n\n\n

Pour pouvoir appliquer un mod\u00e8le bas\u00e9 sur l’intelligence artificielle, une quantit\u00e9 massive de donn\u00e9es \u00e9tait n\u00e9cessaire, c’est pourquoi les chercheurs ont fait appel \u00e0 neuf ensembles de donn\u00e9es ind\u00e9pendants r\u00e9unissant plus de 51 000 patients pr\u00e9sentant diff\u00e9rents types de d\u00e9mence<\/strong>.<\/p>\n\n\n\n

Patients avec diff\u00e9rents types de d\u00e9mence<\/h3>\n\n\n\n

L’inclusion d’un large \u00e9ventail de d\u00e9mences et de causes multiples a \u00e9t\u00e9 un pas fondamental pour obtenir une caract\u00e9risation riche et vari\u00e9e pouvant \u00eatre repr\u00e9sentative de la r\u00e9alit\u00e9. C’est pourquoi des patients ayant une d\u00e9mence due \u00e0 de nombreuses causes diff\u00e9rentes ont \u00e9t\u00e9 inclus, comme la maladie d’Alzheimer<\/a>, les accidents vasculaires c\u00e9r\u00e9braux, la d\u00e9g\u00e9n\u00e9rescence frontotemporale, la d\u00e9g\u00e9n\u00e9rescence corticobasale, due \u00e0 des infections, \u00e0 l’abus de drogues, etc.<\/p>\n\n\n\n

Probl\u00e8me de perte de donn\u00e9es<\/h4>\n\n\n\n

Cependant, cette approche bas\u00e9e sur une quantit\u00e9 massive de donn\u00e9es rend \u00e9galement probable l’existence de donn\u00e9es manquantes. C’est l’oppos\u00e9 des environnements tr\u00e8s contr\u00f4l\u00e9s et avec un nombre plus r\u00e9duit de patients, o\u00f9 la perte de donn\u00e9es est minimis\u00e9e. Dans ce cas, l’approche n\u00e9cessite de grands ensembles de donn\u00e9es tr\u00e8s h\u00e9t\u00e9rog\u00e8nes permettant d’apprendre au mod\u00e8le et d’\u00eatre le plus r\u00e9aliste possible. Pour r\u00e9soudre le probl\u00e8me li\u00e9 \u00e0 la perte de donn\u00e9es, les chercheurs ont appliqu\u00e9 des techniques qui fourniront la plus grande robustesse durant les premi\u00e8res \u00e9tapes<\/strong>. La mise en \u0153uvre de ces m\u00e9thodes et strat\u00e9gies robustes \u00e9vite que l’entra\u00eenement de l’intelligence artificielle soit biais\u00e9<\/strong> et donc que les futures pr\u00e9dictions le soient \u00e9galement. De plus, des proc\u00e9dures standardis\u00e9es d’inclusion et d’exclusion ont \u00e9t\u00e9 suivies, garantissant la coh\u00e9rence et la cr\u00e9dibilit\u00e9 des r\u00e9sultats.<\/p>\n\n\n\n

Mod\u00e8le de type \u00ab\u00a0transformer\u00a0\u00bb<\/h4>\n\n\n\n

\u00c0 ce stade, un d\u00e9fi important se pose \u00e9galement, \u00e0 savoir la cr\u00e9ation d’un mod\u00e8le permettant d’agglom\u00e9rer plusieurs types de donn\u00e9es et param\u00e8tres de nature diff\u00e9rente, ce qu’on appelle une architecture de type \u00ab\u00a0transformer\u00a0\u00bb. Dans ce type de mod\u00e8le, toutes les caract\u00e9ristiques diff\u00e9rentes incluses sont transform\u00e9es en ce que l’on appelle un \u00ab\u00a0vecteur de longueur fixe\u00a0\u00bb, suivant une strat\u00e9gie sp\u00e9cifique qui permet de cr\u00e9er une premi\u00e8re couche du mod\u00e8le sur laquelle le reste sera construit en d\u00e9codant cela en une s\u00e9rie de pr\u00e9dictions.<\/p>\n\n\n\n

Pour mieux comprendre, nous pouvons penser \u00e0 ce mod\u00e8le comme \u00e0 une recette de cuisine, sauf qu’au lieu de diff\u00e9rents pas comme nous avons dans la recette, le mod\u00e8le aura diff\u00e9rentes couches. Mais tout comme pour obtenir un bon plat apr\u00e8s la cuisson, nous avons besoin de bons ingr\u00e9dients qui se combinent de mani\u00e8re ad\u00e9quate. Les chercheurs voulaient un bon syst\u00e8me de classification des patients et avaient besoin que leurs ingr\u00e9dients ; c’est-\u00e0-dire, les donn\u00e9es dont ils disposaient, soient bons et puissent se combiner de mani\u00e8re appropri\u00e9e. Dans notre similitude avec ce mod\u00e8le d’intelligence artificielle, il s’agirait de transformer les diff\u00e9rentes donn\u00e9es que nous avons en un format commun<\/strong> (vecteur de longueur fixe). Cela fait que le mod\u00e8le cr\u00e9\u00e9 sera tr\u00e8s robuste face \u00e0 la perte ou \u00e0 l’incompl\u00e9tude des donn\u00e9es et pourra effectuer des pr\u00e9dictions fiables<\/strong>.<\/p>\n\n\n\n

Apprentissage autosupervis\u00e9<\/h4>\n\n\n\n

Concr\u00e8tement, ils utilisent un type de mod\u00e8le appel\u00e9 apprentissage autosupervis\u00e9. Dans cette approche d’apprentissage automatique, le mod\u00e8le apprend \u00e0 partir de donn\u00e9es sans avoir besoin d’\u00e9tiquettes explicites. Contrairement \u00e0 l’apprentissage supervis\u00e9, qui n\u00e9cessite un ensemble de donn\u00e9es avec des \u00e9tiquettes, l’apprentissage autosupervis\u00e9 repose sur la recherche de structures et de motifs dans les donn\u00e9es sans intervention humaine directe pour les \u00e9tiqueter.<\/p>\n\n\n\n

Phase d’entra\u00eenement, de validation et de comparaison avec des experts<\/h4>\n\n\n\n

Ce qui a suivi dans le d\u00e9veloppement du mod\u00e8le a \u00e9t\u00e9 la phase d’entra\u00eenement, de validation et de comparaison avec des experts. Les processus d’entra\u00eenement et de validation sont habituels dans ce type d’\u00e9tude.<\/p>\n\n\n\n

L’entra\u00eenement consistait \u00e0 alimenter le mod\u00e8le en utilisant des donn\u00e9es provenant des diff\u00e9rentes cohortes, en int\u00e9grant toutes les modalit\u00e9s pour apprendre les motifs associ\u00e9s \u00e0 diff\u00e9rents types de d\u00e9mence. Apr\u00e8s l’entra\u00eenement du mod\u00e8le, une validation a \u00e9t\u00e9 r\u00e9alis\u00e9e, utilisant des donn\u00e9es jamais vues auparavant, afin de garantir que le mod\u00e8le peut g\u00e9n\u00e9raliser ses pr\u00e9dictions \u00e0 des donn\u00e9es qu’il ne conna\u00eet pas.<\/p>\n\n\n\n

Enfin, et de mani\u00e8re novatrice, les chercheurs ont test\u00e9 les diagnostics r\u00e9alis\u00e9s par le mod\u00e8le avec des m\u00e9decins sp\u00e9cialis\u00e9s dans le diagnostic des d\u00e9mences. Pour cela, ils ont invit\u00e9 un groupe de 12 neurologues et 7 neuroradiologues \u00e0 participer \u00e0 des t\u00e2ches de diagnostic sur un sous-ensemble de 100 cas de diff\u00e9rents types de d\u00e9mence<\/strong>. On leur a fourni les donn\u00e9es disponibles pour chacun de ces 100 cas et on leur a demand\u00e9 de fournir leurs impressions diagnostiques, ainsi qu’une note de confiance oscillant entre 0 et 100 pour le diagnostic de chacune des 13 \u00e9tiquettes possibles. \u00c0 ce stade, on voulait savoir si les jugements cliniques pouvaient \u00eatre am\u00e9lior\u00e9s en utilisant le mod\u00e8le cr\u00e9\u00e9.<\/p>\n\n\n\n

Quelles sont les principales conclusions de cette \u00e9tude sur la d\u00e9mence et l’intelligence artificielle (IA) ?<\/h2>\n\n\n\n

Les r\u00e9sultats principaux peuvent \u00eatre divis\u00e9s en trois parties : classification des individus en bonne sant\u00e9 vs d\u00e9t\u00e9rioration, classification des pathologies et am\u00e9lioration du jugement clinique en utilisant le mod\u00e8le.<\/p>\n\n\n\n

L’\u00e9tude a \u00e9valu\u00e9 les performances d’un mod\u00e8le d’intelligence artificielle (IA) pour classifier les individus en trois cat\u00e9gories cognitives :<\/p>\n\n\n\n