Des chercheurs explorent la prédiction multisyndrome des syndromes de démence

Une étude récente publiée dans Neuroimagerie : Clinique ont exploré comment les machines à vecteurs de support (SVM) appliquées aux données d’imagerie par résonance magnétique (IRM) peuvent différencier différents syndromes de démence.

Arrière-plan

Les syndromes de démence représentent un fardeau important pour la population vieillissante. Plus récemment, des biomarqueurs moléculaires et d’imagerie ont été intégrés aux critères de diagnostic de la maladie d’Alzheimer (MA), des aphasies primaires progressives (PPA) et de la démence frontotemporale à variante comportementale (bvFTD). Ce changement conceptuel peut aider à diagnostiquer des syndromes uniques avec plus de précision, mais les biomarqueurs d’imagerie peuvent être difficiles pour les radiologues sans formation spécifique.

Les approches informatiques, y compris l’intelligence artificielle (IA), pourraient s’avérer utiles dans le diagnostic. Des approches d’apprentissage automatique (ML) ont été appliquées pour détecter les maladies oculaires et les cancers de la peau et du poumon ou pour prédire le déclin cognitif dans la MA à l’aide de données d’imagerie multimodales. Étant donné que certaines méthodes automatisées ont dépassé les spécialistes, elles pourraient aider les cliniciens à identifier le diagnostic différentiel approprié.

À propos de l’étude

Dans la présente étude, les chercheurs ont exploré l’application de SVM sur des données IRM volumétriques structurelles pour distinguer plusieurs syndromes de démence. 426 patients et 51 individus sains (témoins) ont été inclus. Il y avait 72 patients avec AD, 146 avec bvFTD, 26 avec syndrome corticobasal (CBS), 48 avec paralysie supranucléaire progressive (PSP), 30 avec variante logopénique de PPA (lvPPA), 58 avec variante agrammatique non fluide de PPA (nfvPPA) , et 46 avec une variante sémantique de PPA (svPPA).

Les participants étaient principalement d’origine ethnique d’Europe centrale. Des IRM structurelles de la tête ont été réalisées dans plusieurs centres en Allemagne. Chaque participant a subi une IRM tridimensionnelle pondérée en T1 (3D) par écho de gradient rapide du cerveau (MPRAGE). Les volumes/zones des régions du cerveau ont été déterminés en appliquant la volumétrie basée sur l’atlas (ABV) aux données MPRAGE.

Des hyperplans de séparation optimaux ont été définis dans la classification SVM, qui maximise la distance entre les sujets de différentes classes (syndromes). Les classificateurs SVM ont été formés sur les résultats ABV. La méthode leave-one-out a été utilisée pour la validation croisée. SVM a été appliqué sans réglage des hyperparamètres pour éviter le surajustement.

La performance diagnostique des modèles SVM binaires (de patients présentant un syndrome et de témoins sains) a été déterminée en estimant la sensibilité, la spécificité, les valeurs prédictives positives (PPV) et négatives (NPV), et les précisions équilibrées et étendues du modèle. Les chercheurs ont également calculé le coefficient de corrélation de Mathews pour évaluer la qualité de la prédiction en tenant compte des tailles d’échantillon variables. Pour la prédiction multiclasse (multi-syndrome), la sensibilité, la VPP, le score F (une mesure combinée de la VPP et de la sensibilité) et la précision du modèle ont été calculés.

recommandations

Les auteurs ont observé des différences significatives dans l’âge des patients. Les patients atteints de bvFTD étaient significativement plus jeunes que ceux atteints de MA, nfvPPA, PSP ou lvPPA. De même, les patients atteints de svPPA étaient plus jeunes que les patients atteints de PSP ou de nfvPPA. En particulier, aucune différence significative d’âge moyen n’a été observée entre les patients et les témoins. De plus, la durée de la maladie n’était pas significativement différente entre les patients.

Les patients avaient des scores d’évaluation clinique de la démence (CDR) significativement plus élevés que les témoins. Plus précisément, les patients atteints de MA avaient des scores CDR plus élevés que ceux atteints de nfvPPA, lvPPA ou svPPA. De plus, les patients avaient des scores de dégénérescence lobaire frontotemporale modifiée (FTLD-CRD) significativement plus élevés que les témoins. Ceux avec bvFTD ou AD présentaient des scores FTLD-CDR plus élevés que les patients avec nfvPPA.

Les patients ont obtenu des scores inférieurs à l’examen de l’état mental (MMSE) que les témoins. Des précisions de prédiction élevées de 71% à 95% (avec un niveau de probabilité de 50%) ont été obtenues dans les modèles SVM binaires. La classification des patients AD, svPPA et PSP a donné une prédiction très forte (coefficient de corrélation de Matthew : 0,7 à 1), tandis que bvFTD, nfvPPA et lvPPA ont donné des résultats de prédiction forts (coefficient de corrélation de Matthew : 0, 4 à 0,69).

Les sept syndromes de démence ont été classés les uns par rapport aux autres avec SV en utilisant la validation croisée d’exclusion pour la classification de plusieurs syndromes. Cela n’incluait pas les témoins, car l’objectif était de simuler les diagnostics différentiels radiologiques entre les modèles d’atrophie associés au syndrome. La précision globale du classificateur multisyndrome était de 47,4 %, avec un niveau de probabilité de 14,28. Les performances les plus élevées ont été obtenues pour la classification de svPPA, bvFTD et PSP, et les plus faibles pour CBS.

L’équipe a ensuite calculé les probabilités de chaque patient pour chaque syndrome sur la base de la prédiction de plusieurs syndromes. Les syndromes avec des modèles d’atrophie spécifiques (PSP, svPPA et bvFTD) étaient mieux distingués des autres syndromes, tandis que ceux avec des modèles d’atrophie non spécifiques (CBS) présentaient une grande variabilité dans la distribution de probabilité. Les probabilités étaient associées à la gravité et à la durée des maladies respectives.

conclusions

En résumé, les chercheurs ont utilisé des méthodes informatisées pour distinguer sept syndromes de démence selon des modèles d’atrophie en utilisant des données volumétriques de SVM et d’IRM cérébrale. Le modèle binaire avait généralement une précision de prédiction élevée au niveau de probabilité de 50 %, ce qui implique que la différenciation entre la démence et les témoins pourrait être traduite en contexte clinique si elle était validée dans d’autres cohortes prospectives.

En revanche, le modèle multi-syndrome avait des précisions de plus de trois fois le niveau de probabilité. En tant que tel, le modèle multiclasse ne peut pas encore être traduit en milieu clinique. Ensemble, les résultats indiquent que les méthodes automatisées appliquées aux données IRM peuvent aider les cliniciens à diagnostiquer les syndromes de démence.