IBM et l'Université de l'Alberta publient de nouvelles données sur les algorithmes d'apprentissage automatique pour aider à prédire la schizophrénie

Russ Greiner, d'Amii, fait partie d'une équipe de chercheurs de l'université d'Alberta et d'IBM qui utilisent l'apprentissage automatique pour aider à prédire la schizophrénie.

Une recherche pionnière en "psychiatrie computationnelle" utilise l'IA pour explorer la prédiction et l'évaluation des maladies.

Des scientifiques d'IBM (NYSE : IBM) et de l'Université d'Alberta à Edmonton, au Canada, ont publié de nouvelles données dans la revue partenaire de Nature, Schizophrenia, démontrant que l'IA et les algorithmes d'apprentissage automatique ont aidé à prédire les cas de schizophrénie avec une précision de 74 %. Cette analyse rétrospective a également montré que la technologie permettait de prédire la gravité de symptômes spécifiques chez les patients schizophrènes avec une corrélation significative, basée sur les corrélations entre l'activité observée dans différentes régions du cerveau. Cette recherche pionnière pourrait également aider les scientifiques à identifier des biomarqueurs objectifs de neuro-imagerie plus fiables qui pourraient être utilisés pour prédire la schizophrénie et sa gravité.

La schizophrénie est un trouble neurologique chronique et débilitant qui touche 7 ou 8 personnes sur 1 000. Les personnes atteintes de schizophrénie peuvent souffrir d'hallucinations, de délires ou de troubles de la pensée, ainsi que de déficiences cognitives, comme une incapacité à se concentrer, et physiques, comme des troubles du mouvement.

"Cette approche multidisciplinaire unique et innovante ouvre de nouvelles perspectives et fait progresser notre compréhension de la neurobiologie de la schizophrénie, ce qui peut contribuer à améliorer le traitement et la gestion de la maladie", déclare le Dr Serdar Dursun, professeur de psychiatrie et de neurosciences à l'université d'Alberta. "Nous avons découvert un certain nombre de connexions anormales significatives dans le cerveau qui peuvent être explorées dans de futures études, et les modèles créés par l'IA nous rapprochent de la découverte de schémas objectifs basés sur la neuro-imagerie qui sont des marqueurs de diagnostic et de pronostic de la schizophrénie."

Dans cet article, les chercheurs ont analysé des données d'imagerie par résonance magnétique fonctionnelle (IRMf) du cerveau dépersonnalisées provenant de l'ensemble de données ouvert Function Biomedical Informatics Research Network (fBIRN) pour des patients souffrant de schizophrénie et de troubles schizo-affectifs, ainsi que pour un groupe de contrôle sain. L'IRMf mesure l'activité cérébrale par le biais des modifications du flux sanguin dans des zones particulières du cerveau. Plus précisément, l'ensemble de données fBIRN reflète les recherches effectuées sur les réseaux cérébraux à différents niveaux de résolution, à partir de données recueillies pendant que les participants à l'étude effectuaient un test auditif commun. En examinant les scans de 95 participants, les chercheurs ont utilisé des techniques d'apprentissage automatique pour développer un modèle de schizophrénie qui identifie les connexions dans le cerveau les plus associées à la maladie.

Régions du cerveau présentant une différence statistiquement significative entre les patients atteints de schizophrénie et ceux qui ne le sont pas. (La flèche 1 identifie le gyrus précentral, ou le cortex moteur, et la flèche 5 marque le précunéus, qui implique le traitement des informations visuelles).

Les résultats de la recherche menée par IBM et l'Université de l'Alberta ont démontré que, même sur des données de neuro-imagerie plus complexes recueillies sur plusieurs sites (différentes machines, différents groupes de sujets, etc.), l'algorithme d'apprentissage automatique était capable de distinguer les patients atteints de schizophrénie du groupe de contrôle avec une précision de 74 % en utilisant les corrélations de l'activité dans différentes zones du cerveau.

En outre, la recherche a montré que la connectivité du réseau fonctionnel pouvait également aider à déterminer la gravité de plusieurs symptômes après qu'ils se soient manifestés chez le patient, notamment l'inattention, les comportements bizarres et les troubles de la pensée formelle, ainsi que l'alogie (pauvreté du discours) et le manque de motivation. La prédiction de la gravité des symptômes pourrait conduire à une caractérisation de la schizophrénie plus quantitative et basée sur des mesures, en considérant la maladie sur un spectre, par opposition à une étiquette binaire de diagnostic ou de non-diagnostic. Cette approche objective et axée sur les données de l'analyse de la gravité pourrait éventuellement aider les cliniciens à définir des plans de traitement adaptés à chaque individu.

"Le but ultime de cet effort de recherche est d'identifier et de développer des mesures objectives, fondées sur des données, pour caractériser les états mentaux, et de les appliquer aux troubles psychiatriques et neurologiques", a déclaré Ajay Royyuru, vice-président de Healthcare & Life Sciences, IBM Research. "Nous espérons également offrir de nouvelles perspectives sur la façon dont l'IA et l'apprentissage automatique peuvent être utilisés pour analyser les troubles psychiatriques et neurologiques afin d'aider les psychiatres dans leur évaluation et leur traitement des patients."

L'initiative Research Domain Criteria (RDoC) du NIMH souligne l'importance des mesures objectives en psychiatrie. Ce domaine, souvent appelé "psychiatrie computationnelle", vise à utiliser la technologie moderne et les approches fondées sur les données pour améliorer la prise de décision médicale fondée sur des preuves en psychiatrie, un domaine qui repose souvent sur des approches d'évaluation subjectives.

Dans le cadre du partenariat en cours, les chercheurs continueront à étudier les zones et les connexions du cerveau qui présentent des liens significatifs avec la schizophrénie. Ils continueront à améliorer les algorithmes en effectuant des analyses d'apprentissage automatique sur des ensembles de données plus importants et en étudiant les moyens d'étendre ces techniques à d'autres troubles psychiatriques tels que la dépression ou le syndrome de stress post-traumatique.