Accueil Santé & Bien-être Des chercheurs du Mount Sinai utilisent une méthode impartiale basée sur l’IA...

Des chercheurs du Mount Sinai utilisent une méthode impartiale basée sur l’IA pour étudier les causes des troubles cognitifs

67
0

Des chercheurs du Mount Sinai ont utilisé de nouvelles méthodes d’intelligence artificielle pour examiner les caractéristiques structurelles et cellulaires des tissus cérébraux humains afin d’aider à déterminer les causes de la maladie d’Alzheimer et d’autres troubles connexes. L’équipe de recherche a découvert que l’étude des causes de la déficience cognitive à l’aide d’une méthode impartiale basée sur l’IA – par opposition aux marqueurs traditionnels tels que les plaques amyloïdes – a révélé des anomalies microscopiques inattendues qui peuvent prédire la présence d’une déficience cognitive. Ces résultats ont été publiés dans la revue Acta Neuropathologica Communications le 20 septembre.

L’IA représente un paradigme entièrement nouveau pour l’étude de la démence et aura un effet transformateur sur la recherche sur les maladies cérébrales complexes, en particulier la maladie d’Alzheimer. L’approche d’apprentissage profond a été appliquée à la prédiction de la déficience cognitive, un problème difficile pour lequel il n’existe actuellement aucun outil de diagnostic histopathologique réalisé par l’homme. »

John Crary, MD, PhD, coauteur, professeur de pathologie, de médecine moléculaire et cellulaire, de neurosciences, d’intelligence artificielle et de santé humaine, Icahn School of Medicine at Mount Sinai.

L’équipe de Mount Sinai a identifié et analysé l’architecture sous-jacente et les caractéristiques cellulaires de deux régions du cerveau, le lobe temporal médian et le cortex frontal. Dans le but d’améliorer la norme d’évaluation du cerveau post-mortem pour identifier les signes de maladies, les chercheurs ont utilisé un algorithme d’apprentissage profond faiblement supervisé pour examiner des images de diapositives de tissus d’autopsie de cerveau humain provenant d’un groupe de plus de 700 donneurs âgés afin de prédire la présence ou l’absence de troubles cognitifs. L’approche d’apprentissage profond faiblement supervisé est capable de traiter des sources bruyantes, limitées ou imprécises pour fournir des signaux permettant d’étiqueter de grandes quantités de données d’apprentissage dans un contexte d’apprentissage supervisé. Ce modèle d’apprentissage profond a été utilisé pour identifier une réduction de la coloration au bleu rapide de Luxol, qui est utilisée pour quantifier la quantité de myéline, la couche protectrice autour des nerfs du cerveau. Les modèles d’apprentissage automatique ont identifié un signal de déficience cognitive associé à une diminution de la coloration de la myéline, dispersée de manière non uniforme dans le tissu et concentrée dans la substance blanche, qui affecte l’apprentissage et les fonctions cérébrales. Les deux ensembles de modèles formés et utilisés par les chercheurs ont permis de prédire la présence d’une déficience cognitive avec une précision supérieure à celle d’une supposition aléatoire.

Lire aussi :  Une étude révèle qu'une consommation élevée de céréales raffinées n'augmente pas le risque de maladie cardiovasculaire

Dans leur analyse, les chercheurs estiment que la diminution de l’intensité de la coloration dans certaines zones du cerveau identifiées par l’IA peut servir de plateforme évolutive pour évaluer la présence d’une déficience cérébrale dans d’autres maladies associées. La méthodologie jette les bases de futures études, qui pourraient inclure le déploiement de modèles d’intelligence artificielle à plus grande échelle ainsi qu’une dissection plus poussée des algorithmes afin d’accroître leur précision et leur fiabilité prédictives. Selon l’équipe, l’objectif final de ce programme de recherche neuropathologique est de développer de meilleurs outils pour le diagnostic et le traitement des personnes souffrant de la maladie d’Alzheimer et de troubles connexes.

« L’utilisation de l’IA nous permet d’examiner un nombre exponentiel de caractéristiques pertinentes pour la maladie, une approche puissante lorsqu’elle est appliquée à un système complexe comme le cerveau humain », a déclaré le coauteur Kurt W. Farrell, PhD, professeur adjoint de pathologie, de médecine moléculaire et cellulaire, de neurosciences et d’intelligence artificielle et de santé humaine, à Icahn Mount Sinai. « Il est essentiel de mener d’autres recherches sur l’interprétabilité dans les domaines de la neuropathologie et de l’intelligence artificielle, afin que les progrès de l’apprentissage profond puissent être traduits pour améliorer les approches de diagnostic et de traitement de la maladie d’Alzheimer et des troubles connexes de manière sûre et efficace. »

Lire aussi :  Les obstacles au développement de modèles 3D de cicatrisation à haut débit

L’auteur principal, Andrew McKenzie, MD, PhD, co-résident en chef pour la recherche au département de psychiatrie d’Icahn Mount Sinai, a ajouté : « L’analyse d’interprétation a permis d’identifier certains signaux, mais pas tous, que les modèles d’intelligence artificielle ont utilisés pour faire des prédictions sur les troubles cognitifs. Par conséquent, des défis supplémentaires restent à relever pour déployer et interpréter ces puissants modèles d’apprentissage profond dans le domaine de la neuropathologie. »

Des chercheurs de l’Université du Texas Health Science Center à San Antonio, Texas, de l’Université de Newcastle à Tyne, Royaume-Uni, de la faculté de médecine de l’Université de Boston à Boston et de l’UT Southwestern Medical Center à Dallas ont également contribué à cette recherche. L’étude a été financée par le National Institute of Neurological Disorders and Stroke, le National Institute on Aging et le Tau Consortium par la Rainwater Charitable Foundation.

Source :

Système de santé Mount Sinai

Référence du journal :

McKenzie, A.T., et al. (2022) Apprentissage profond interprétable de l’histopathologie de la myéline dans les troubles cognitifs liés à l’âge. Acta Neuropathologica Communications. doi.org/10.1186/s40478-022-01425-5.