Les chercheurs de 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 des troubles apparentés. L’équipe de recherche a découvert que l’étude des causes du déclin cognitif 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’un déclin cognitif. Ces découvertes ont été publiées dans la revue Communications sur l’acte neuropathologique le 20 septembre.
L’IA représente un tout nouveau paradigme 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 en profondeur a été appliquée à la prédiction du déclin cognitif, un problème difficile pour lequel il n’existe aucun outil de diagnostic histopathologique créé par l’homme. »
John Crary, MD, PhD, auteur co-correspondant, professeur de pathologie, médecine moléculaire et cellulaire, neurosciences et intelligence artificielle, et 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 médial et le cortex frontal. Dans un effort pour améliorer la norme d’évaluation cérébrale post-mortem des signes de maladie, les chercheurs ont utilisé un algorithme d’apprentissage en profondeur faiblement supervisé pour examiner des images de lames de tissu d’autopsie du cerveau humain d’un groupe de plus de 700 donneurs âgés afin de prédire la présence ou l’absence. . de troubles cognitifs. L’approche d’apprentissage en profondeur légèrement supervisé est capable de gérer des sources bruyantes, limitées ou imprécises pour fournir des signaux permettant d’étiqueter de grandes quantités de données d’apprentissage dans un environnement d’apprentissage supervisé. Ce modèle d’apprentissage en profondeur a été utilisé pour identifier une réduction de la coloration bleue rapide Luxol, qui est utilisée pour quantifier la quantité de myéline, le revêtement protecteur autour des nerfs dans le cerveau. Les modèles d’apprentissage automatique ont identifié un signal de déclin cognitif associé à des quantités décroissantes de coloration de la myéline ; dispersés dans un motif non uniforme sur tout le tissu ; et axé sur la matière blanche, qui affecte l’apprentissage et la fonction cérébrale. Les deux ensembles de modèles formés et utilisés par les chercheurs ont pu prédire la présence de troubles cognitifs avec une plus grande précision que les suppositions aléatoires.
Dans leur analyse, les chercheurs pensent qu’une diminution de l’intensité de la coloration dans des zones cérébrales particulières identifiées par l’IA peut servir de plate-forme évolutive pour évaluer la présence d’une déficience cérébrale dans d’autres maladies associées. La méthodologie jette les bases d’études futures, qui pourraient inclure le déploiement de modèles d’IA à plus grande échelle, ainsi qu’une dissection plus poussée des algorithmes pour augmenter leur précision et leur fiabilité prédictives. En fin de compte, l’équipe a déclaré que l’objectif de ce programme de recherche en neuropathologie est de développer de meilleurs outils pour diagnostiquer et traiter les personnes atteintes de la maladie d’Alzheimer et de troubles apparentés.
« L’utilisation de l’IA nous permet d’examiner de manière exponentielle des fonctionnalités plus pertinentes pour la maladie, une approche puissante lorsqu’elle est appliquée à un système complexe comme le cerveau humain », a déclaré l’auteur co-correspondant Kurt W. Farrell, PhD, professeur adjoint de pathologie, moléculaire et cellulaire . . Basé sur la médecine, les neurosciences et l’intelligence artificielle et la santé humaine, à Icahn Mount Sinai. « Des recherches supplémentaires sur l’interprétabilité dans les domaines de la neuropathologie et de l’intelligence artificielle sont essentielles pour que les progrès de l’apprentissage en profondeur puissent être traduits pour améliorer les approches de diagnostic et de traitement de la maladie d’Alzheimer et des troubles apparentés de manière sûre et efficace ».
L’auteur principal Andrew McKenzie, MD, PhD, co-directeur résident de la recherche au département de psychiatrie d’Icahn Mount Sinai, a ajouté : « L’analyse interprétative a pu identifier certains, mais pas tous, des indices que les modèles d’IA ont utilisés pour faire des prédictions sur déclin cognitif. Par conséquent, des défis supplémentaires subsistent dans la mise en œuvre et l’interprétation de ces puissants modèles d’apprentissage en profondeur dans le domaine de la neuropathologie.
Des chercheurs du Centre des sciences de la santé de l’Université du Texas à San Antonio, au Texas, de l’Université de Newcastle on Tyne, au Royaume-Uni, de la Boston University School of Medicine à Boston et du UT Southwestern Medical Center à Dallas ont également contribué à cette enquête. L’étude a été financée par le National Institute of Neurological Disorders and Stroke, le National Institute on Aging et le Rainwater Charitable Trust Tau Consortium.
Système de santé du mont Sinaï
McKenzie, A.T. et coll. (2022).Apprentissage en profondeur interprétable de l’histopathologie de la myéline dans le déclin cognitif lié à l’âge. Acta Neuropathologica Communications. doi.org/10.1186/s40478-022-01425-5.