Une machine d'apprentissage en profondeur utilise des analyses IRM pour déterminer l'âge de votre cerveau

Les capacités cognitives humaines déclinent avec l'âge. Et les neuroscientifiques savent depuis longtemps que ce déclin est également corrélé aux changements anatomiques du cerveau. Il n'est donc pas surprenant d'apprendre qu'il est possible de repérer les signes du vieillissement sur les images IRM du cerveau et même de déterminer un âge cérébral. La différence entre l'âge du cerveau et l'âge chronologique peut révéler l'apparition de maladies telles que la démence.

Mais l'analyse est longue car les données IRM doivent être fortement traitées avant d'être adaptées au vieillissement automatisé. Ce prétraitement comprend la suppression de l'image des tissus non cérébraux tels que le crâne, la classification de la matière blanche, de la matière grise et d'autres tissus, et la suppression des artefacts d'image ainsi que diverses techniques de lissage des données.

Toute cette analyse de données peut prendre plus de 24 heures, ce qui constitue un sérieux obstacle pour les médecins qui espèrent tenir compte de l'âge cérébral d'un patient lors de l'établissement d'un diagnostic clinique.

Aujourd'hui, tout cela change grâce au travail de Giovanni Montana du King's College de Londres et de quelques amis qui ont formé une machine d'apprentissage en profondeur pour mesurer l'âge du cerveau à l'aide des données brutes d'un scanner IRM. La technique d'apprentissage en profondeur prend quelques secondes et pourrait donner aux cliniciens une idée précise de l'âge du cerveau pendant que le patient est encore dans le scanner.

La méthode est une technique standard d'apprentissage en profondeur. Montana et co utilisent des IRM cérébrales de plus de 2 000 personnes en bonne santé âgées de 18 à 90 ans. Aucun n'avait de condition neurologique susceptible d'influencer l'âge de son cerveau. Ainsi, leur âge cérébral devrait correspondre à leur âge chronologique.

Chaque scan est une IRM standard pondérée en T1 du type produit par la plupart des appareils d'IRM modernes. Chaque scan est étiqueté avec l'âge chronologique du patient.

L'équipe a utilisé 80% de ces images pour former un réseau neuronal convolutif afin de déterminer l'âge d'une personne, compte tenu de son scanner cérébral. Ils ont utilisé 200 images supplémentaires pour valider ce processus. Enfin, ils ont testé le réseau neuronal sur 200 images qu'il n'avait pas vues pour déterminer dans quelle mesure il pouvait mesurer l'âge du cerveau.

Dans le même temps, l'équipe a comparé l'approche d'apprentissage en profondeur à la méthode conventionnelle de détermination de l'âge du cerveau. Cela nécessite un traitement d'image approfondi pour identifier, entre autres, la matière blanche et la matière grise dans le cerveau, suivi d'une analyse statistique appelée régression du processus gaussien.

Les résultats rendent la lecture intéressante. L'apprentissage en profondeur et la régression du processus gaussien déterminent avec précision l'âge chronologique des patients lorsqu'ils reçoivent des données prétraitées à analyser. Les deux méthodes le font avec une erreur de moins de cinq ans dans les deux sens.

Cependant, l'apprentissage en profondeur montre sa nette supériorité lors de l'analyse des données brutes d'IRM, où il est tout aussi performant, donnant le bon âge avec une erreur moyenne de 4,66 ans. En revanche, la méthode standard de régression du processus gaussien donne de mauvais résultats dans ce test, donnant un âge approximatif avec une erreur moyenne de près de 12 ans.

De plus, l'analyse par apprentissage profond ne prend que quelques secondes par rapport aux 24 heures de prétraitement nécessaires pour la méthode standard. Le seul traitement de données nécessaire à la machine d'apprentissage en profondeur consiste à assurer la cohérence de l'orientation de l'image et des dimensions des voxels entre les images.

Cela a des implications importantes pour les médecins. Avec la bonne implémentation logicielle, les données d'âge prédites par le cerveau pourraient être mises à la disposition d'un clinicien pendant que le patient est encore dans le scanner, disent Montana et co.

L'équipe a également comparé des images prises à l'aide de différents scanners juste pour montrer que la technique peut être appliquée à des scans pris sur différentes machines dans différentes parties du monde. Ils comparent également l'âge du cerveau des jumeaux pour montrer comment l'âge du cerveau est lié à des facteurs génétiques. Fait intéressant, la corrélation diminue avec l'âge, suggérant que les facteurs environnementaux deviennent plus importants avec le temps et suggérant une ligne prometteuse de recherches futures.

C'est un résultat impressionnant qui a le potentiel d'influencer de manière significative la façon dont les cliniciens arrivent à un diagnostic. Il existe des preuves considérables que des conditions telles que le diabète, la schizophrénie et les lésions cérébrales traumatiques sont corrélées avec un vieillissement cérébral plus rapide. Ainsi, une façon de mesurer le vieillissement cérébral rapidement et avec précision pourrait avoir un impact important sur la façon dont les cliniciens traiteront ces conditions à l'avenir. L'âge prédit par le cerveau représente un phénotype précis, hautement fiable et génétiquement valide qui a le potentiel d'être utilisé comme biomarqueur du vieillissement cérébral, disent Montan et co.

Réf : arxiv.org/abs/1612.02572 : Prédire l'âge du cerveau grâce à l'apprentissage en profondeur à partir de données d'imagerie brutes donne un biomarqueur fiable et héréditaire

cacher