Des chercheurs de l’université de Californie à San Francisco ont développé un programme de deep learning au service du dépistage de la maladie d’Alzheimer. Selon leur étude* publiée fin 2018 dans la revue Radiology, le système d’intelligence artificielle a été capable de détecter la pathologie neurologique avec six ans d’avance par rapport aux radiologues. Et le taux d’identification était correct dans 98 % des cas.
Diagnostiquer Alzheimer avant qu’il ne soit trop tard
Actuellement, aucun traitement n’a fait la preuve de son efficacité dans le traitement de la maladie d’Alzheimer. Ces dernières années, des médicaments prometteurs pouvant ralentir l’évolution de la maladie sont apparus. Cependant, « l’une des difficultés de la maladie d’Alzheimer est qu’au moment où les symptômes cliniques se manifestent et que nous pouvons établir un diagnostic définitif, trop de neurones sont morts, ce qui le rend essentiellement irréversible », a déclaré Jae Ho Sohn, médecin au département de radiologie et d’imagerie biomédicale de l’Université de Californie à San Francisco. C’est pourquoi ce dernier a tenté de mettre au point un moyen de diagnostiquer la maladie plus tôt.
Avec son équipe de radiologie de l’université de San Francisco, Jae Ho Sohn a combiné neuroimagerie et apprentissage automatique pour tenter de prédire si un patient développerait ou non la maladie d’Alzheimer lorsqu’il se présenterait pour la première fois avec une altération de la mémoire.
Les chercheurs ont utilisé la tomographie par émission de positrons (TEP), qui mesure les niveaux de molécules spécifiques, telles que le glucose, dans le cerveau. Le glucose est la principale source de carburant pour les cellules du cerveau. Plus une cellule est active, plus elle en utilise. Lorsque les cellules cérébrales deviennent malades et meurent, elles utilisent moins et finalement pas de glucose. Cet outil est donc non seulement pertinent pour repérer la maladie d’Alzheimer mais, en outre, les analyses de glucose par PET Scan sont courantes et peu coûteuses car elles sont utilisées pour le dépistage du cancer. Par ailleurs, les modifications du glucose sont très subtiles et difficiles à détecter à l’œil nu.
Quand le deep learning repère des changements subtils
Les auteurs de ces travaux ont donc mis au point un algorithme capable de détecter ces petites variations de glucose. « C’est une application idéale du deep learning car il est particulièrement efficace pour trouver des processus très subtils mais diffus. Les radiologistes humains sont vraiment forts pour identifier de petites localisations focales comme une tumeur au cerveau mais nous avons du mal à détecter des changements plus lents et globaux », a expliqué Jae Ho Sohn, co-auteur de l’étude, dont les résultats ont été publiés en novembre 2018 dans la revue Radiology.
Pour entraîner l’algorithme, les chercheurs l’ont alimenté d’un vaste ensemble de 2 000 images de PET scan réalisées pour des patients chez qui il avait finalement été diagnostiqué soit la maladie d’Alzheimer, soit un déficit cognitif léger ou aucun trouble.
Ainsi, l’algorithme a commencé à apprendre par lui-même quelles caractéristiques sont importantes pour prédire le diagnostic de la maladie d’Alzheimer et lesquelles ne le sont pas. Ensuite, les scientifiques l’ont testé sur deux nouveaux jeux de données pour évaluer ses performances. Le premier était 188 images provenant de la même base de données mais qui n’avaient pas encore été présentées à l’algorithme. Le second était une série entièrement nouvelle d’analyses de 40 patients qui s’étaient présentés au centre de mémoire et de vieillissement de l’université de Californie à San Francisco avec une possible déficience cognitive.
Résultats : Alzheimer identifié à 98%
- L’algorithme a identifié 92 % des patients ayant développé la maladie d’Alzheimer dans le premier jeu de données.
- Le taux d’identification correcte était de 98 % dans le second jeu de données.
- Le système d’intelligence artificielle a diagnostiqué la maladie avec 75,8 mois d’avance par rapport au diagnostic final réalisé par les radiologues.
Calibrer l’algorithme sur un plus grand jeu de données
« Je pense que cet algorithme a le fort potentiel d’être cliniquement pertinent, a déclaré l’un des auteurs de l’étude. Cependant, avant de pouvoir l’utiliser, nous devons valider et calibrer l’algorithme sur une cohorte de patients plus grande et plus diversifiée, idéalement de différents continents et de différents types de paramètres. »
Si l’algorithme reste efficace, il pourrait alors être utilisé en clinique par les neurologues et les radiologues comme un important outil d’aide à la décision. Ainsi le patient pourrait avoir accès à des traitements plus précocement.
