Actualités de l'Urgence - APM

Le diagnostic différentiel des maladies neurodégénératives est une tâche difficile, nécessitant une expertise neurologique. Des outils d'aide à la décision clinique reposant sur l'IA, et en particulier l'apprentissage automatique, peuvent augmenter les capacités des utilisateurs mais leur intégration en routine dans la pratique clinique peut s'avérer compliquée, expliquent Leland Barnard de la Mayo Clinic à Rochester et ses collègues de l'Alzheimer's Disease Neuroimaging Initiative (ADNI) dans Neurology.

Par exemple, les modèles qui nécessitent d'intégrer de nombreuses données (imagerie, résultats de biologie médicale, d'évaluation neuropsychologique, données cliniques, génétiques…) sont trop difficiles à mettre en œuvre dans le quotidien des praticiens.

Les chercheurs proposent ainsi un cadre de modélisation reposant sur une seule image de TEP.

Cet outil, qu'ils ont baptisé StateViewer, est conçu pour l'aide au diagnostic différentiel d'un spectre large de neuf phénotypes neurodégénératifs: la maladie d'Alzheimer, la variante comportementale de la démence frontotemporale, le syndrome corticobasal, la démence à corps de Lewy, l'aphasie primaire progressive, ses variantes logopénique et non fluente/agrammatique, l'atrophie corticale postérieure et la démence sémantique.

Pour le développement du modèle, les chercheurs ont utilisé les images de TEP de 3.671 personnes, acquises dans un délai de 2,5 ans avant le diagnostic dans le cadre de quatre études différentes. Dans cette cohorte, le phénotype n'était pas renseigné pour 988 d'entre elles, 1.706 n'avaient pas d'altération cognitive et les autres avaient l'un des neuf syndromes neurodégénératifs évalués.

Le modèle permet de détecter les neuf phénotypes avec une sensibilité de plus de 0,90 pour la plupart, la plus faible étant de 0,75 pour le syndrome corticobasal. Dans les tests réalisés sur un jeu de données aléatoires, la sensibilité était de 0,89 et la précision de 0,30 pour détecter le diagnostic clinique.

Les erreurs entre phénotypes étaient liées aux causes sous-jacentes communes, par exemple entre l'atrophie corticale postérieure, la maladie d'Alzheimer et la variante lopogénique de l'aphasie primaire progressive.

Les chercheurs ont testé la capacité du StateViewer à distinguer les cas de démence des personnes sans altération cognitive dans la base de données ADNI. Le modèle a présenté une précision de 0,91 et une aire sous la courbe de 0,96, ce qui est comparable aux meilleurs scores rapportés avec de précédents modèles utilisant également une seule image de TEP au FDG.

Le modèle a ensuite été testé par quatre radiologues auxquels 67 images différentes ont été soumises. La probabilité de proposer le bon diagnostic était multipliée par 3,3 à l'aide du StateViewer par rapport à la pratique habituelle.

Globalement, ces résultats montrent que l'analyse par IA d'une seule image de TEP au FDG présente de bonnes performances pour classer des patients entre neuf syndromes neurodégénératifs et proposent un modèle adapté pour son intégration et son déploiement en pratique clinique quotidienne, concluent les chercheurs.

Des études complémentaires sont nécessaires pour évaluer si ce modèle est généralisable à d'autres populations de patients, font-ils observer.

(Neurology, publication en ligne du 27 juin)

ld/nc/APMnews