L’intelligence artificielle (IA) est de plus en plus utilisée en imagerie cérébrale pour mieux comprendre les troubles psychiatriques et identifier des biomarqueurs potentiels. Parmi les différentes approches, deux grandes familles d’algorithmes existent :
- l’apprentissage automatique standard (Standard Machine Learning – SML), qui repose sur une sélection explicite des caractéristiques pertinentes à analyser ;
- l’apprentissage profond (Deep Learning – DL), qui apprend automatiquement des représentations complexes à partir des images brutes.
Le Deep Learning a montré des performances remarquables en imagerie médicale, mais son avantage sur le SML pour la classification des troubles psychiatriques à partir d’IRM cérébrales reste débattu. La principale difficulté réside dans le fait que ces troubles sont très hétérogènes et influencés par de nombreux facteurs cliniques, biologiques et environnementaux.
Une nouvelle étude, menée en collaboration par l’UMR BAOBAB / NeuroSpin et le LTCI (Télécom Paris), propose une analyse approfondie de ces approches. L’équipe a comparé les performances du DL et du SML pour prédire :
- des variables de base comme l’âge et le sexe, souvent utilisées pour calibrer les modèles;
- des diagnostics cliniquement pertinents : schizophrénie, trouble bipolaire et troubles du spectre autistique (TSA).
Une comparaison rigoureuse et des stratégies innovantes
Les chercheurs ont également étudié l’impact de différentes stratégies d’apprentissage par transfert pour le Deep Learning. Cette approche consiste à pré-entraîner un modèle sur une large base de données d’IRM de personnes en bonne santé avant de l’adapter à des patients atteints de troubles psychiatriques.
En complément, l’étude a exploré l’apprentissage ensembliste, une méthode combinant plusieurs modèles de Deep Learning pour améliorer sa fiabilité et ses performances.
Résultats : Deep Learning ou Machine Learning traditionnel ?
L’étude révèle plusieurs points clés :
- le Deep Learning et le Machine Learning ont des performances similaires pour la classification des troubles psychiatriques ;
- les deux approches identifient des régions cérébrales discriminantes fortement corrélées, suggérant que les modèles DL et ML linéaire exploitent des informations similaires ;
- le Deep Learning devient plus performant lorsqu’il est pré-entraîné sur de grandes bases de données d’IRM cérébrales (environ 10 000 sujets sains) et ensuite adapté à des ensembles plus petits de patients (moins de 1 000 sujets) ;
- l’apprentissage ensembliste améliore la robustesse des prédictions et pourrait aider à mieux quantifier l’incertitude diagnostique.
Perspectives : vers une médecine personnalisée en psychiatrie ?
Ces résultats montrent que le succès du Deep Learning en neuroimagerie repose principalement sur sa capacité à apprendre des représentations abstraites et transférables de l’anatomie cérébrale. L’étude souligne également le potentiel de l’apprentissage par transfert pour affiner les modèles sur des bases de données cliniques plus petites, ouvrant ainsi la voie à une médecine plus personnalisée en psychiatrie.
Contact Institut des sciences du vivant Frédéric-Joliot :