Pronostiquer l'Alzheimer grâce à un nouveau modèle de deep learning

Dans une présentation réalisée lors du congrès virtuel de la RSNA, des chercheurs ont décrit un nouveau modèle deep learning basé sur l'apprentissage par transfert pour diagnostiquer et pronostiquer une déficience cognitive légère (MCI) due à la maladie d'Alzheimer dans une situation d’indisponibilité variable de modalités d'IRM, de FDG-PET et d’amyloïde-PET.

La détection précoce de la maladie d’Alzheimer est essentielle pour ralentir sa progression à long terme. La neuroradiologie est le standard aujourd’hui pour faciliter le diagnostic et le pronostic de la maladie à son stade précoce, mais il existe des lacunes dans les données de disponibles. Les résultats de cette étude démontrent que ce modèle de deep learning peut aider au diagnostic précoce de la maladie d’Alzheimer à partir de l'imagerie multimodale, même lorsque certaines modalités viennent à manquer.

"Notre recherche fournit un outil clinique pour aider les médecins à diagnostiquer et à pronostiquer la maladie d'Alzheimer lorsque la maladie est encore précoce, ce qui présente d'énormes avantages cliniques", déclare l'auteur de l'étude, le Pr Fleming Y. Lure. L'étude a inclus 214 patients atteints de MCI issus de l’Alzheimer’s Disease Neuroimaging Initiative database. Elle a objectivé quelques 97 MCI dus à la maladie d’Alzheimer, 26 MCI se transformant en maladie d’Alzheimer dans les 2 ans et 46 MCI se transformant dans les 6 ans. Les patients ont été divisés en quatre sous-cohortes en fonction de l'imagerie disponible : IRM uniquement ; IRM et FDG-PET ; IRM et PET amyloïde ; et les trois modalités.

Le modèle de deep learning a obtenu une bien meilleure précision que le modèle concurrent, en utilisant chaque cohorte pour le diagnostic et le pronostic.