Vers de nouveaux horizons dans l’évaluation en imagerie du déclin cognitif léger et des démences

L’étude de la perfusion tissulaire est riche en informations fonctionnelles qui peuvent déboucher sur la caractérisation lésionnelle, comme sur le diagnostic et le pronostic de pathologies aussi diverses que variées. Différentes techniques sont utilisables en pratique clinique qui vont du scanner ou de l’IRM de perfusion en passant par les explorations propres à la médecine nucléaire, qu’il s’agisse de la tomographie d’émission monophonique ou de la tomographie par émission de positrons. Depuis le début des années 1990, l’IRM fonctionnelle connaît un développement assez spectaculaire qui n’a pas cependant de retombées dans la pratique médicale courante. Initialement, elle reposait entièrement sur la technique BOLD (blood oxygenation level dependent), mais d’autres approches ont rapidement vu le jour depuis, qui permettent notamment d’évaluer quantitativement la perfusion tissulaire sans la moindre injection de produit de contraste : le marquage des protons artériels par impulsions de radiofréquence ou encore arterial spin labeling (ASL) fait partie de ces avancées.

L’arterial spin labeling pour explorer en IRM la perfusion cérébrale

Ces molécules activées se comportent comme autant de traceurs endogènes de l’eau qui sont accessibles à une IRM à haut champ magnétique (3 T au moins) associée à des antennes multicanaux et des logiciels up to date, ce qui en fait une technique exigeante sur le plan logistique et imparfaitement évaluée. L’ASL permet d’explorer la perfusion cérébrale dans les maladies neurodégénératives, telles la maladie d’Alzheimer (MA), mais aussi le déficit cognitif léger (DCL). Si le signal BOLD est par essence multifactoriel, de fait lié aux interactions complexes entre la perfusion cérébrale la consommation d’oxygène, l’ASL, pour sa part,  vise spécifiquement la composante vasculaire du couplage neurovasculaire, ce qui permet de mesurer la valeur absolue du débit sanguin cérébral (DSC).

Cette technique de pointe, si elle était couplée à l’intelligence artificielle au travers du deep learning, ne pourrait-elle pas ouvrir des perspectives révolutionnaires dans l’imagerie fonctionnelle des démences ? C’est du moins ce que suggèrent les résultats d’une étude en grande partie transversale dans laquelle ont été inclus divers patients répartis ainsi : (1) atteints de MA probable (n = 100) ; (2) présentant un DCL authentique (n = 60) (dont stables (n = 12), conversion (n = 12), absence de suivi (n = 36) ; (3) souffrant un déclin cognitif subjectif (DCS) (n = 100) ; (4) témoins indemnes de toute affection neurologique (n = 26).

Elaboration d’un outil prédictif par « intelligence artificielle »

Tous les participants ont bénéficié d’une IRM-ASM dotée d’un aimant de 3T. Les groupes MA, DCL et DCS ont été répartis en deux sous-groupes appariés selon l’âge et le sexe : l’un (n = 130) qui a permis au système expert d’apprendre, l’autre (n = 130) de constituer un outil prédictif (n = 130). Des scores de perfusion standardisés et ajusté (âge et sexe) ont été calculés voxel par voxel pour chaque participant. L’apprentissage de la machine a été réalisé avec les diagnostics cliniques et les images de perfusion, ce qui a permis d’extraire des cartographies discriminantes utilisées dans l’outil prédictif in fine élaboré et appliqué à l’échantillon à évaluer. Les performances diagnostiques de cette classification automatique ont été évaluées selon les méthodes classiques : analyse ROC (receiver operating characteristic) avec aire sous la courbe ROC (AUC), distribution de la sensibilité et de la spécificité.

Des résultats encourageants mais très préliminaires…

Les résultats méritent réflexion. Le diagnostic individuel au moyen de l’outil prédictif produit par l’intelligence artificielle s’est avéré variable selon les cas de figure : (1) MA versus DCS (AUC, 0,96; p < 0,01) ; (2) MA vs DCL (AUC, 0,89; p < 0,01) ; (3) DCL vs DCS (AUC, 0,63 ; p = 0,06). Si l’on s’intéresse à l’évolution du DCL, les cartographies discriminantes ont donné des résultats là aussi nuancés selon la comparaison : (1) conversion en MA versus DSC (AUC, 0,84 ; p < 0,01) ; (2) conversion en MA vs DCL stable (AUC, 0,71 ; p > 0,05).

L’imagerie cérébrale des démences reposera-t-elle dans le futur sur la combinaison d’une étude de la perfusion confiée à une machine intelligente bien entraînée et bonne élève ? Cette étude préliminaire dont les résultats semblent encourageants ne permet pas d’écarter un tel  scénario, mais il y a encore loin de la coupe aux lèvres… en effet, l’ASL est techniquement exigeante et non évaluée en pratique courante. L’intelligence artificielle dite faible qui repose sur l’apprentissage des réseaux neuronaux attend son heure dans bien des domaines, notamment celui de l’imagerie médicale, bien au-delà de l’ASL Watson, le superordinateur d’IBM n’a pas dit son dernier mot.

Dr Philippe Tellier

Références
Collij LE et coll. : Application of Machine Learning to Arterial Spin Labeling in Mild Cognitive Impairment and Alzheimer Disease. Radiology, 2016; 281 :865-875.

Copyright © http://www.jim.fr

Réagir

Vos réactions

Soyez le premier à réagir !

Les réactions aux articles sont réservées aux professionnels de santé inscrits
Elles ne seront publiées sur le site qu’après modération par la rédaction (avec un délai de quelques heures à 48 heures). Sauf exception, les réactions sont publiées avec la signature de leur auteur.

Réagir à cet article