Vers l'intelligence artificielle dans le domaine de la santé mentale en améliorant la prédiction de la schizophrénie grâce à l'apprentissage d'ensemble de parcellations cérébrales multiples

Dans la littérature, il existe de nombreuses tentatives d'apprentissage automatique pour classer la schizophrénie en fonction des altérations des schémas cérébraux de l'état de repos (RS) à l'aide de l'imagerie par résonance magnétique fonctionnelle (IRMf). La plupart des études antérieures ont modélisé des patients sous traitement, ce qui entraîne une confusion avec les effets des médicaments sur l'activité cérébrale et les rend moins applicables au diagnostic dans le monde réel au moment du premier contact médical. En outre, la plupart des études dont la précision de classification est supérieure à 80 % sont basées sur des ensembles de données à petit échantillon, qui peuvent être insuffisants pour rendre compte de l'hétérogénéité de la schizophrénie, ce qui limite la généralisation à des cas non vus. Dans cette étude, nous avons utilisé des données d'IRMf recueillies auprès d'une cohorte de patients n'ayant jamais reçu de traitement antipsychotique et répondant aux critères DSM IV de la schizophrénie(N= 81), ainsi que de témoins sains appariés par l'âge et le sexe(N= 93). Nous présentons un modèle d'ensemble -- EMPaSchiz (lire comme 'Emphasis' ; signifiant 'Ensemble algorithm with Multiple Parcellations for Schizophrenia prediction') qui empile les prédictions de plusieurs modèles 'single-source', chacun basé sur les caractéristiques de l'activité régionale et de la connectivité fonctionnelle, sur une gamme de différents schémas de parcellation a priori. EMPaSchiz a donné une précision de classification de 87% (contre une précision aléatoire de 53%), ce qui surpasse les modèles d'apprentissage automatique antérieurs construits pour diagnostiquer la schizophrénie en utilisant des mesures d'IRMf RS modélisées sur de grands échantillons(N> 100). À notre connaissance, le modèle EMPaSchiz est le premier à avoir été entraîné et validé exclusivement sur des données provenant de patients n'ayant jamais reçu de médicaments et ayant reçu un diagnostic de schizophrénie. La méthode repose sur une seule modalité d'acquisition IRM et peut être facilement mise à l'échelle sans avoir besoin de reconstruire des cartes de parcellation à partir d'images d'entraînement entrantes.

Remerciements

Cette étude est soutenue par des fonds IBM Alberta Centre for Advanced Studies et MITACS (IT09558) à S.V.K. ; des subventions de recherche Wellcome Trust/DBT India Alliance (500236/Z/11/Z) et DST (DST/SJF/LSA-02/2014-15) à G.V. ; des subventions Alberta Machine Intelligence Institute et NSERC à R.G. V.S. est soutenu par l'ICMR.