Les chercheurs d'Amii utilisent l'apprentissage automatique pour faciliter le diagnostic des troubles mentaux

Vue d'ensemble

Les chercheurs d'Amii, dont Russ Greiner (Fellow, Amii ; professeur, Université d'Alberta), font partie d'une équipe qui travaille à l'intersection de l'informatique et de la psychiatrie dans un domaine appelé psychiatrie computationnelle. Ce domaine utilise des outils informatiques - comme l'apprentissage automatique - pour mieux comprendre les troubles psychiatriques en développant des outils et des méthodes axés sur les données afin d'aider les cliniciens à établir des diagnostics et à évaluer les symptômes.

À propos de l'œuvre

Dans une étude publiée dans la revue partenaire de Nature, npj Schizophrenia, les chercheurs ont démontré que les algorithmes d'apprentissage automatique peuvent aider 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, sur la base des 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.

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.

Scans effectués sur des participants, à la fois des patients atteints de schizophrénie et de troubles schizo-affectifs, ainsi qu'un groupe témoin

Résultats

Les résultats de ces travaux ont démontré que, même sur des données de neuro-imagerie plus complexes collectées à partir de sites multiples (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 d'activité entre les 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.

Orientations futures

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 prolongement de ces travaux, les chercheurs continuent d'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.

Remerciements

Ces travaux ont été menés conjointement par des chercheurs d'Amii, de l'Université d'Alberta, d'IBM Research, de l'Université de Memphis et de l'Université de Calgary. L'article "Learning stable and predictive network-based patterns of schizophrenia and its clinical symptoms" a été coécrit par Mina Gheiratmand, Irina Rish, Guillermo A. Cecchi, Matthew R. G. Brown, Russell Greiner, Pablo I. Polosecki, Pouya Bashivan, Andrew J. Greenshaw, Rajamannar Ramasubbu et Serdar M. Dursun.

Les chercheurs tiennent à remercier le Function Biomedical Informatics Research Network (FBIRN) pour avoir partagé l'ensemble de données IRMf sur la schizophrénie, soutenu par des subventions au banc d'essai du Function BIRN (NIH 1 U24-RR021992). Nous tenons également à remercier WestGrid et Calcul Canada pour avoir fourni les ressources de calcul à haute performance utilisées dans cette recherche, ainsi que le personnel de soutien de WestGrid pour son excellent soutien technique. Cette recherche a été soutenue par IBM (Watson Research Center, États-Unis) par l'intermédiaire du IBM Alberta Centre for Advanced Studies (CAS), Canada, et Alberta Innovates Health Solutions (AIHS) par l'intermédiaire de bourses postdoctorales accordées à MG, ainsi que par des subventions du CRSNG accordées à RG et un financement interne d'Amii.

Liens supplémentaires