Une signature cérébrale de la schizophrénie ?
Publié par Isabelle le 29/01/2019 à 14:00
Source: CEA

(c)KatarzynaBialasiewicz
Une collaboration de chercheurs en psychiatrie, pilotée par l'Institut Frédéric-Joliot, a démontré que les algorithmes de "machine learning" permettent d'identifier une signature neuroanatomique de la schizophrénie (Le terme de schizophrénie regroupe de manière générique un ensemble d'affections psychiatriques présentant un noyau commun, mais dites différentes quant...).

La schizophrénie (transition psychotique) est un trouble mental chronique caractérisé par une variété de symptômes tels que des hallucinations et des déficiences des fonctions cognitives. L'imagerie (L’imagerie consiste d'abord en la fabrication et le commerce des images physiques qui représentent des êtres ou des choses. La fabrication se faisait jadis soit...) par résonance (Lorsqu'on abandonne un système stable préalablement écarté de sa position d'équilibre, il y retourne, généralement à travers des oscillations propres. Celles-ci se...) magnétique (IRM) structurelle permet d'identifier les changements de l'anatomie (L'anatomie (provenant du nom grec ἀνατομία anatomia, provenant du verbe ἀνατέμνειν anatemnein, se traduisant par couper,...) cérébrale associés au développement de la maladie (La maladie est une altération des fonctions ou de la santé d'un organisme vivant, animal ou végétal.). Cependant, les statistiques (La statistique est à la fois une science formelle, une méthode et une technique. Elle comprend la collecte, l'analyse, l'interprétation de données ainsi que la présentation de...) classiques ne permettent pas de détecter, à partir des images, des "patterns" globaux d'anomalies, ni de fournir une prédiction à l'échelle individuelle, ce qui constitue une limite dans la perspective d'une médecine (La médecine (du latin medicus, « qui guérit ») est la science et la pratique (l'art) étudiant l'organisation du corps humain (anatomie), son fonctionnement normal (physiologie), et...) personnalisée.

Ces limitations sont levées par les algorithmes de "machine learning" (apprentissage automatique) qui "apprennent du passé (Le passé est d'abord un concept lié au temps : il est constitué de l'ensemble des configurations successives du monde et s'oppose au futur sur une échelle des temps centrée sur le...) pour prédire l'avenir". À partir d'une cohorte de patients pour lesquels on dispose à la fois de l'imagerie initiale et de l'évolution clinique, ces algorithmes vont apprendre un motif cérébral global, ou "signature" pronostique de cette évolution. La signature pourra ensuite être appliquée à l'imagerie d'un nouveau patient (Dans le domaine de la médecine, le terme patient désigne couramment une personne recevant une attention médicale ou à qui est prodigué un soin.) afin d'obtenir une prédiction de son évolution, qui sera prise en compte dans la stratégie (La stratégie - du grec stratos qui signifie « armée » et ageîn qui signifie « conduire » - est :) thérapeutique (La thérapeutique (du grec therapeuein, soigner) est la partie de la médecine qui étudie et applique le traitement des maladies.) du clinicien.

Cependant, ces algorithmes ont aujourd'hui encore une portée limitée car ils conduisent à des signatures peu interprétables et peu reproductibles. De plus, aucune étude n'a questionné le stade (Un stade (du grec ancien στ?διον stadion, du verbe ?στημι istêmi, « se tenir droit et ferme ») est un équipement sportif.) de la maladie et l'effet des traitements. Dans ce travail, les chercheurs ont utilisé les récents développements en "machine learning" effectués à NeuroSpin (Institut Frédéric-Joliot du CEA) qui visent à intégrer un a priori biologique dans l'identification de la signature prédictive afin d'améliorer son interprétabilité et sa reproductibilité (La reproductibilité d'une expérience scientifique est une des conditions qui permet d'inclure les observations réalisées durant cette expérience dans le processus d'amélioration perpétuelle des...). Appliqué à l'un des plus larges échantillons internationaux (276 patients avec schizophrénie chronique et 330 contrôles), provenant de quatre sites de recrutement, cet algorithme a démontré la possibilité de prédire le diagnostic (Le diagnostic (du grec δι?γνωση, diágnosi, à partir de δια-, dia-, „par, à travers, séparation,...) des patients avec 68% d'exactitude. Afin de valider cette signature vis-à-vis de la durée de la maladie et des traitements, les chercheurs l'ont évaluée avec 73 % d'exactitude sur une base de 43 patients au premier épisode psychotique.

Références

Identifying a neuroanatomical signature of schizophrenia, reproducible across sites and stages, using machine learning with structured sparsity | Acta Psychiatrica Scandinavica
Page générée en 0.408 seconde(s) - site hébergé chez Amen
Ce site fait l'objet d'une déclaration à la CNIL sous le numéro de dossier 1037632
Ce site est édité par Techno-Science.net - A propos - Informations légales
Partenaire: HD-Numérique