Aperçu: Un nouvel algorithme d’IA a utilisé les données de l’IRMf pour identifier de nouveaux schémas cérébraux liés aux troubles mentaux.
La source: Université d’État de Géorgie
De nouvelles recherches menées par le centre TReNDS de la Georgia State University pourraient conduire à un diagnostic précoce de maladies dévastatrices telles que la maladie d’Alzheimer, la schizophrénie et l’autisme, à temps pour aider à prévenir et à traiter plus facilement ces maladies.
Dans une nouvelle étude publiée dans Rapports scientifiques une équipe de sept scientifiques de l’État de Géorgie a construit un programme informatique sophistiqué capable de rechercher de grandes quantités de données d’imagerie cérébrale et de découvrir de nouveaux schémas liés à la maladie mentale.
Les données d’imagerie cérébrale proviennent d’analyses d’imagerie par résonance magnétique fonctionnelle (IRMf), qui mesurent l’activité cérébrale dynamique en détectant de petits changements dans le flux sanguin.
« Nous avons construit des modèles d’intelligence artificielle pour interpréter les grandes quantités d’informations provenant de l’IRMf », a déclaré Sergey Plis, professeur agrégé d’informatique et de neurosciences à l’État de Géorgie et auteur principal de l’étude.
Il a comparé ce type d’imagerie dynamique à un film – par opposition à un instantané comme une radiographie ou, l’IRM structurelle la plus courante – et a noté, « les données disponibles sont tellement plus grandes, tellement plus riches qu’un test sanguin ou un Mais c’est là le défi : cette énorme quantité de données est difficile à interpréter.
De plus, les IRMf dans ces conditions spécifiques sont coûteuses et peu disponibles. Cependant, les IRMf régulières peuvent être exploitées à l’aide d’un modèle d’intelligence artificielle. Et ils viennent en grand nombre.
« De grands ensembles de données sont disponibles chez des individus sans condition clinique connue », explique Vince Calhoun, fondateur du TReNDS Center et l’un des auteurs de l’étude. L’utilisation de ces ensembles de données disponibles volumineux mais non liés a amélioré les performances du modèle sur des ensembles de données spécifiques plus petits.
« De nouveaux modèles ont émergé que nous pourrions définitivement lier à chacun des trois troubles cérébraux », a déclaré Calhoun.
Les modèles d’IA ont d’abord été formés sur un ensemble de données de plus de 10 000 individus pour comprendre l’imagerie fMRI de base et la fonction cérébrale. Les chercheurs ont ensuite utilisé des ensembles de données multi-sites provenant de plus de 1 200 personnes, y compris celles atteintes de troubles du spectre autistique, de schizophrénie et de la maladie d’Alzheimer.
Comment ça marche? C’est un peu comme Facebook, YouTube ou Amazon qui apprennent à vous connaître grâce à votre comportement en ligne et sont capables de prédire votre comportement futur, vos goûts et vos dégoûts. Le logiciel informatique était même capable d’anticiper le « moment » où les données d’imagerie cérébrale étaient très probablement liées au trouble mental en question.
Pour que ces résultats soient cliniquement utiles, ils doivent être appliqués avant qu’une condition ne se manifeste.
« Si nous pouvons trouver des marqueurs et prédire le risque d’Alzheimer chez un homme de 40 ans », a déclaré Calhoun, « peut-être que nous pouvons faire quelque chose à ce sujet. »
De même, si les risques de schizophrénie peuvent être prédits avant qu’il n’y ait de véritables changements dans la structure du cerveau, il peut y avoir des moyens d’offrir des traitements meilleurs ou plus efficaces.
« Même si nous savons par d’autres tests ou des antécédents familiaux qu’une personne est à risque d’une maladie comme la maladie d’Alzheimer, nous ne pouvons toujours pas prédire exactement quand cela se produira », a déclaré Calhoun.
« L’imagerie cérébrale pourrait réduire cette fenêtre de temps en capturant les schémas pertinents tels qu’ils apparaissent avant que la maladie clinique ne devienne apparente. »
« La vision est pour nous de collecter un grand ensemble de données d’imagerie, de plier nos modèles d’IA dessus et de nous montrer ce qu’ils ont appris sur certaines conditions », a déclaré Plis. « Nous construisons des systèmes pour découvrir de nouvelles connaissances que nous ne pourrions pas découvrir seuls. »
« Notre objectif », a déclaré Md Mahfuzur Rahman, auteur principal de l’étude et doctorant en informatique dans l’État de Géorgie, « est de relier les grands mondes et les grands ensembles de données aux petits mondes et aux ensembles de données spécifiques aux maladies et d’évoluer vers des marqueurs qui sont pertinents pour les décisions cliniques.
Financement : Cette étude a été soutenue par des fonds de démarrage de SMP et en partie par des subventions du NIH R01EB006841, R01MH118695, RF1MH121885 et NSF 2112455.
Regarde aussi
À propos de cette actualité sur l’IA et la santé mentale
Auteur: Noëlle Reetz
La source: Université d’État de Géorgie
Contact: Noelle Reetz – Université d’État de Géorgie
Image: L’image est dans le domaine public
Recherche originale : Libre accès.
« Interprétation des modèles d’interprétation de la dynamique cérébrale » par Sergey Plis et al. Rapports scientifiques.
Résumé
Interpréter des modèles qui interprètent la dynamique cérébrale
La dynamique cérébrale est très complexe mais détient la clé pour comprendre le fonctionnement et le dysfonctionnement du cerveau.
La dynamique capturée par les données d’imagerie par résonance magnétique fonctionnelle à l’état de repos est bruyante, de grande dimension et difficile à interpréter. L’approche typique consistant à réduire ces données à des caractéristiques de faible dimension et à se concentrer sur les caractéristiques les plus prédictives implique des hypothèses solides et peut manquer des aspects essentiels de la dynamique sous-jacente.
En revanche, l’introspection de modèles d’apprentissage en profondeur formés de manière discriminatoire peut découvrir des éléments du signal pertinents pour la déficience au niveau de points de temps individuels et d’emplacements spatiaux. Mais la difficulté d’une formation fiable sur des ensembles de données de grande dimension et à faible échantillon et la pertinence peu claire des marqueurs prédictifs qui en résultent empêchent l’utilisation généralisée de l’apprentissage en profondeur en neuroimagerie fonctionnelle.
Dans ce travail, nous introduisons un cadre d’apprentissage approfondi pour apprendre à partir de données dynamiques de grande dimension tout en maintenant des interprétations stables et écologiquement valides.
Les résultats démontrent avec succès que le cadre proposé permet d’apprendre la dynamique de l’IRMf à l’état de repos directement à partir de petites données et de capturer des interprétations compactes et stables des caractéristiques prédictives de la fonction et du dysfonctionnement.
#Indicateurs #dynamiques #maladie #mentale #capturés #par #lIA #avancée #imagerie #cérébrale #Neuroscience #News