{"id":32913,"date":"2024-09-26T11:25:51","date_gmt":"2024-09-26T09:25:51","guid":{"rendered":"https:\/\/neuronup.com\/?p=32913"},"modified":"2026-06-25T16:18:34","modified_gmt":"2026-06-25T14:18:34","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\/investigation\/lignes-de-recherche\/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 concernant l’\u00e9tude \u00ab\u00a0Diagnostic diff\u00e9rentiel des \u00e9tiologies de la d\u00e9mence bas\u00e9 sur l’IA \u00e0 partir de 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 les d\u00e9mences, dont le nombre de nouveaux diagnostics augmente d’environ 10 millions de 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 difficiles ou impossibles les activit\u00e9s de la vie quotidienne de mani\u00e8re autonome. Parmi elles, la maladie d’Alzheimer se distingue, mais il en existe beaucoup d’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 r\u00e9side dans la obtention de diagnostics pr\u00e9coces et pr\u00e9cis<\/strong> permettant de r\u00e9aliser des th\u00e9rapies efficaces et sp\u00e9cifiquement adapt\u00e9es \u00e0 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 faire face \u00e0 l’augmentation des cas de d\u00e9mence \u00e0 l’\u00e9chelle mondiale. Cependant, les diff\u00e9rents types de d\u00e9mence sont parfois difficilement diff\u00e9renciables aux stades pr\u00e9coces<\/strong>, car les sympt\u00f4mes associ\u00e9s \u00e0 chaque d\u00e9mence sont complexes. De plus, il arrive que diff\u00e9rentes d\u00e9mences coexistent, 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 appuy\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 tels que des scanners de r\u00e9sonance, des \u00e9chantillons de sang ou du liquide c\u00e9phalorachidien, entre autres. Malgr\u00e9 de grands efforts, il manque encore une \u00e9preuve diagnostique de type \u00ab Gold Standard \u00bb<\/strong>. C’est le nom donn\u00e9 \u00e0 un test de diagnostic qui poss\u00e8de une grande fiabilit\u00e9 pour diagnostiquer une maladie sp\u00e9cifique. Ce Gold Standard a principalement \u00e9t\u00e9 recherch\u00e9 \u00e0 travers les donn\u00e9es biologiques sans succ\u00e8s jusqu’\u00e0 pr\u00e9sent.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n

Essayez NeuronUP 7 jours gratuitement<\/h2>\n\n\n\n

Vous pourrez travailler avec nos activit\u00e9s, concevoir des s\u00e9ances ou effectuer des r\u00e9habilitations \u00e0 distance<\/p>\n<\/div>\n\n\n\n

\n
\n
Commencez votre essai<\/a><\/div>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n
<\/div>\n\n\n\n

Soluci\u00f3n basada en inteligencia artificial (IA)<\/h3>\n\n\n\n

Pour rem\u00e9dier \u00e0 cette situation, un groupe de chercheurs de l’Universit\u00e9 de Boston ainsi que des chercheurs de l’ensemble des \u00c9tats-Unis ont propos\u00e9 une solution bas\u00e9e sur l’intelligence artificielle qui permettrait de travailler avec un grand ensemble de donn\u00e9es de caract\u00e8re h\u00e9t\u00e9rog\u00e8ne<\/strong>. Estos datos son heterog\u00e9neos porque se basa en imitar el mundo real<\/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 existant concernant les d\u00e9mences. Les multiples types de donn\u00e9es abord\u00e9s sont : sociod\u00e9mographiques, neurologiques, physiques, ant\u00e9c\u00e9dents m\u00e9dicaux et scanners de r\u00e9sonance.<\/p>\n\n\n\n

\u00bfQu\u00e9 se ha hecho?<\/h2>\n\n\n\n

Pour pouvoir appliquer un mod\u00e8le bas\u00e9 sur l’intelligence artificielle, il fallait une quantit\u00e9 massive de donn\u00e9es, c’est pourquoi les chercheurs ont eu recours \u00e0 neuf ensembles de donn\u00e9es ind\u00e9pendants r\u00e9unissant plus de 51.000 patients atteints de diff\u00e9rents types de d\u00e9mence<\/strong>. <\/p>\n\n\n\n

Pacientes con diferentes tipos de demencia <\/h3>\n\n\n\n

L’inclusion d’un large \u00e9ventail de d\u00e9mences et de causes multiples a \u00e9t\u00e9 une \u00e9tape fondamentale pour obtenir une caract\u00e9risation riche et vari\u00e9e susceptible d’\u00eatre repr\u00e9sentative de la r\u00e9alit\u00e9. C’est pourquoi ont \u00e9t\u00e9 inclus des patients pr\u00e9sentant une d\u00e9mence due \u00e0 de nombreuses causes diff\u00e9rentes comme la maladie d’Alzheimer<\/a>, des accidents vasculaires c\u00e9r\u00e9braux, une d\u00e9g\u00e9n\u00e9rescence frontotemporale, une d\u00e9g\u00e9n\u00e9rescence corticobasale, due \u00e0 des infections, \u00e0 l’abus de drogues, etc.<\/p>\n\n\n\n

Problema de p\u00e9rdida de datos <\/h4>\n\n\n\n

Cependant, cette approche reposant sur une quantit\u00e9 massive de donn\u00e9es rend \u00e9galement probable la perte de donn\u00e9es. C’est le cas inverse d’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 qui permettent au mod\u00e8le d’apprendre 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 robustesse maximale d\u00e8s 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 pr\u00e9dictions futures le soient \u00e9galement. De plus, des proc\u00e9dures standardis\u00e9es d’inclusion et d’exclusion ont \u00e9t\u00e9 suivies pour assurer la coh\u00e9rence et la cr\u00e9dibilit\u00e9 des r\u00e9sultats.<\/p>\n\n\n\n

Modelo de tipo \u00ab\u00a0transformer\u00a0\u00bb<\/h4>\n\n\n\n

\u00c0 ce stade se pose \u00e9galement un d\u00e9fi important : la cr\u00e9ation d’un mod\u00e8le permettant d’agr\u00e9ger plusieurs types de donn\u00e9es et des param\u00e8tres de nature diff\u00e9rente, ce que l’on appelle une architecture de type \u00ab transformer \u00bb. Dans ce type de mod\u00e8le, toutes les diff\u00e9rentes caract\u00e9ristiques incluses sont prises et transform\u00e9es en ce que l’on appelle un \u00ab vecteur de longueur fixe \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, d\u00e9codant cela en une s\u00e9rie de pr\u00e9dictions.<\/p>\n\n\n\n

Pour mieux le comprendre, on peut penser \u00e0 ce mod\u00e8le comme \u00e0 une recette de cuisine, sauf que, au lieu d’avoir diff\u00e9rentes \u00e9tapes comme dans une recette, le mod\u00e8le aura diff\u00e9rentes couches. Mais, de la m\u00eame mani\u00e8re que 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 correctement. Dans notre analogie avec ce mod\u00e8le d’intelligence artificielle, il s’agirait de transformer les diff\u00e9rentes donn\u00e9es que nous avons dans un format commun<\/strong> (vecteur de longueur fixe). Gr\u00e2ce \u00e0 cela, le mod\u00e8le cr\u00e9\u00e9 sera tr\u00e8s robuste face \u00e0 la perte ou \u00e0 l’incompl\u00e9tude des donn\u00e9es et va pouvoir r\u00e9aliser des pr\u00e9dictions fiables<\/strong>.<\/p>\n\n\n\n

Aprendizaje autosupervisado <\/h4>\n\n\n\n

Plus pr\u00e9cis\u00e9ment, ils utilisent un type de mod\u00e8le appel\u00e9 apprentissage auto-supervis\u00e9. Dans cette approche d’apprentissage automatique, le mod\u00e8le apprend \u00e0 partir de donn\u00e9es sans la n\u00e9cessit\u00e9 d’\u00e9tiquettes explicites. Contrairement \u00e0 l’apprentissage supervis\u00e9, qui exige un jeu de donn\u00e9es \u00e9tiquet\u00e9, l’apprentissage auto-supervis\u00e9 repose sur la d\u00e9couverte de structures et de motifs dans les donn\u00e9es sans l’intervention humaine directe pour les \u00e9tiqueter.<\/p>\n\n\n\n

Fase de entrenamiento, validaci\u00f3n y comparaci\u00f3n con expertos<\/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 a consist\u00e9 \u00e0 alimenter le mod\u00e8le en utilisant les donn\u00e9es des diff\u00e9rentes cohortes, int\u00e9grant toutes les modalit\u00e9s pour apprendre les motifs associ\u00e9s aux diff\u00e9rents types de d\u00e9mence. Apr\u00e8s l’entra\u00eenement du mod\u00e8le, la validation a \u00e9t\u00e9 r\u00e9alis\u00e9e en utilisant des donn\u00e9es non vues auparavant, afin de s’assurer 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 innovante, les chercheurs ont confront\u00e9 les diagnostics r\u00e9alis\u00e9s par le mod\u00e8le \u00e0 ceux de m\u00e9decins sp\u00e9cialis\u00e9s dans le diagnostic des d\u00e9mences. Pour ce faire, 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 pr\u00e9sentant 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’un score 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

<\/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

\u00bfCu\u00e1les son las principales conclusiones de este estudio de demencia e inteligencia artificial (IA)?<\/h2>\n\n\n\n

Les principaux r\u00e9sultats peuvent \u00eatre divis\u00e9s en trois parties : classification sain vs d\u00e9clin, classification des pathologies et am\u00e9lioration du crit\u00e8re clinique gr\u00e2ce au mod\u00e8le.<\/p>\n\n\n\n

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