Dans une nouvelle recherche présentée lors du congrès annuel de la Radiological Society of North America, des chercheurs ont utilisé l’intelligence artificielle pour examiner des scintigraphies cérébrales d’adolescents avec ou sans trouble déficitaire de l’attention avec hyperactivité TDAH.
Cette approche a identifié des différences dans les zones de substance blanche du cerveau des personnes atteintes de TDAH, fournissant ainsi des informations supplémentaires sur la maladie.
Le TDAH touche environ 6 millions d’enfants et d’adolescents aux États-Unis, ce qui rend un diagnostic et une intervention précoces cruciaux pour améliorer le bien-être dans une société de plus en plus influencée par les distractions.
Le trouble déficitaire de l’attention avec hyperactivité TDAH peut entraîner des difficultés à maintenir l’attention, à gérer les niveaux d’énergie et à contrôler les impulsions.
Cela apparaît généralement dans l’enfance et peut affecter considérablement le bien-être d’un individu et sa capacité à fonctionner dans la société.
Aux États-Unis, environ 6 millions des enfants et des adolescents âgés de 6 à 17 ans ont reçu un diagnostic de TDAH.
Les experts affirment que le diagnostic du TDAH peut être difficile, les professionnels de la santé s’appuyant souvent sur des enquêtes autodéclarées de nature subjective. Ils disent qu’il existe une demande claire pour des méthodes de diagnostic plus objectives.
Dans une nouvelle recherche présentée lors de la réunion annuelle de la Radiological Society of North America en novembre, des scientifiques ont fait état d’un type d’intelligence artificielle IA d’apprentissage profond pour examiner les IRM d’adolescents atteints ou non de TDAH.
Les chercheurs ont déclaré avoir découvert des différences importantes dans certaines structures cérébrales appelées voies de la substance blanche chez les personnes atteintes de TDAH.
Table of Contents
Utiliser l’apprentissage profond de l’IA pour identifier les indicateurs du TDAH
Les chercheurs ont déclaré que leur étude, qui n’a pas encore été publiée dans une revue à comité de lecture, est importante car c’est la première à utiliser l’apprentissage profond pour identifier les indicateurs du TDAH.
L’apprentissage profond est un type d’IA capable de reconnaître automatiquement des modèles et des connexions au sein de grandes quantités de données.
Justin Huynh, MS, co-auteur de l’étude et chercheur au département de neuroradiologie de l’Université de Californie à San Francisco et étudiant en médecine au Carle Illinois College of Medicine à Urbana-Champaign dans l’Illinois, a déclaré Actualités médicales aujourd’hui qu’ils ont analysé un vaste ensemble de données d’images cérébrales d’adolescents avec et sans TDAH.
« Nous avons constaté qu’en moyenne, il existait des différences statistiquement significatives en matière d’imagerie entre les participants à l’étude avec et sans [attention deficit], » il a dit.
Nous espérons que nos résultats constitueront une étape prometteuse vers une meilleure compréhension du TDAH d’un point de vue biologique ainsi qu’une manière plus standard, objective et précise de diagnostiquer la maladie.
Justin Huynh, MS
Etude des données d’IRM et des enquêtes cliniques
La recherche a porté sur des données provenant d’analyses cérébrales, d’enquêtes cliniques et d’autres informations recueillies auprès de 21 sites de recherche aux États-Unis.
Les données d’imagerie cérébrale qu’ils ont utilisées comprenaient une technique spécialisée d’imagerie par résonance magnétique IRM connue sous le nom d’imagerie pondérée en diffusion DWI.
Les tentatives précédentes visant à utiliser l’IA pour la détection du TDAH se sont heurtées à des difficultés en raison de la petite taille des échantillons et de la nature complexe du trouble, ont rapporté les chercheurs.
Dans cette étude, l’équipe de recherche a spécifiquement choisi 1 704 personnes, composées à la fois d’adolescents atteints de TDAH et d’adolescents non atteints de cette maladie.
À l’aide d’analyses DWI, ils ont extrait des mesures d’anisotropie fractionnaire FA le long de 30 voies majeures de substance blanche dans le cerveau. FA mesure la façon dont les molécules d’eau se déplacent à travers les fibres de ces voies.
Les valeurs FA de 1 371 personnes ont été utilisées pour former un modèle d’IA d’apprentissage profond, qui a ensuite été testé sur 333 participants, dont 193 ayant reçu un diagnostic de TDAH et 140 sans TDAH.
Grâce à l’utilisation de l’IA, les chercheurs ont déclaré avoir fait une découverte importante. Ils ont rapporté que chez les personnes atteintes de TDAH, les valeurs de FA étaient nettement plus élevées dans neuf régions de la substance blanche.
Ces modèles d’IRM distinctifs chez les personnes atteintes de TDAH n’ont jamais été observés avec autant de détails jusqu’à présent.
Dans la plupart des cas, les irrégularités détectées dans ces voies de substance blanche correspondaient aux symptômes généralement associés au TDAH.
La percée dans l’étude sur l’analyse cérébrale du TDAH
Le Dr David Lefkowitz, spécialiste en neuroradiologie et directeur médical des IRM chez SimonMed Imaging, qui n’a pas participé à cette étude, s’est entretenu avec Actualités médicales aujourd’huien disant : « Je suis d’accord avec [the researchers’] cadre de base du TDAH comme un trouble complexe avec des variations structurelles et fonctionnelles potentielles qui sous-tendent la psychopathologie.
« Historiquement, et avec des efforts considérables, les tentatives visant à trouver des corrélations structurelles révélées par l’IRM pour diagnostiquer le TDAH ont été largement infructueuses », a déclaré Lefkowitz.
« Mais ils peuvent encore exister et les enquêteurs ici utilisent les meilleurs outils disponibles pour trouver de telles corrélations en combinant le DTI et l’apprentissage profond », a-t-il expliqué.
Bien que des anomalies structurelles dans le TDAH puissent exister si seulement nous y regardons assez attentivement, ce n’est pas l’approche expérimentale la plus attrayante. Après tout, le TDAH est un trouble du comportement. Logiquement, il semblerait qu’une technique d’imagerie évaluant la fonction et non la structure serait plus prometteuse. Ainsi, étudier les réseaux fonctionnels IRMf ou le métabolisme cérébral PET serait mon parti pris. Néanmoins, je pense qu’il est important de garder l’esprit ouvert.
Dr David Lefkowitz
« Les découvertes se produisent dans des endroits inattendus, donc mon scepticisme ne doit pas être considéré comme un mépris », a déclaré Lefkowitz. « Je serais très intéressé de voir où cela mène, surtout lorsque l’étude aboutira à une publication évaluée par des pairs. »
Les développements technologiques peuvent améliorer la précision des diagnostics de TDAH
Livia Lifes, directrice générale de Neuroute et experte en intelligence artificielle qui n’est pas non plus impliquée dans la recherche, a déclaré : Actualités médicales aujourd’hui que « cette recherche représente une avancée significative dans l’application de l’IA et de l’analyse des données d’imagerie au domaine du diagnostic du TDAH ».
Les techniques d’apprentissage profond non supervisées, telles que les auto-encodeurs, ont le potentiel de découvrir des modèles structurels subtils qui pourraient manquer par les méthodes de diagnostic traditionnelles. Cela peut grandement améliorer la précision du diagnostic du TDAH et fournir des informations précieuses sur la neurobiologie sous-jacente du trouble.
Livia vies
Lefkowitz est d’accord, affirmant qu’« une technique d’imagerie non invasive précise pour les patients atteints de TDAH pourrait être très utile dans la gestion clinique et également dans les essais de médicaments. »
« L’un des défis pour prouver l’efficacité des médicaments est la sélection des patients », a-t-il déclaré. « Les coûts des essais cliniques de médicaments sont énormes, en partie parce qu’il faut un grand nombre de patients pour obtenir des résultats statistiquement significatifs. »
« Un diagnostic plus précis du TDAH et, en outre, la capacité de stratifier les patients en fonction de leur gravité ont le potentiel de réduire la taille requise et donc le coût de tels essais », a-t-il ajouté.
En conclusion, a déclaré Lefkowitz, « les implications vont au-delà de la population de patients qui en bénéficierait évidemment, mais touchent la société dans son ensemble ».
