PatientSpace : apprentissage de marqueurs d’imagerie par IA générative pour les démences de type Alzheimer et apparentées

Abstract

Introduction

Malgré les progrès dans la caractérisation clinique de la maladie d’Alzheimer (MA), la sensibilité diagnostique reste limitée en raison des présentations hétérogènes et des similitudes avec les maladies apparentées. Cette étude vise à projeter les sujets dans un espace topologique construit à partir de marqueurs d’imagerie 18FDG-TEP et IRM, appris par une IA générative. L’hypothèse est que les voisinages d’un patient dans cet espace partagent des similitudes de diagnostic, d’âge et de caractéristiques d’imagerie.

Matériels et méthodes

Les données 18FDG-TEP et IRM de 253 sujets sains, 475 patients MA et 138 patients avec une démence fronto-temporale (DFT) ont servi à entraîner un auto-encoder variationnel. Une approche semi-supervisée a été adoptée en ajoutant deux tâches lors de l’entraînement : un classifieur pour le diagnostic (CN, MA, DFT) et une régression pour l’âge. L’espace latent, nommé PatientSpace, est une représentation graphique où les nœuds sont les sujets et les arêtes leur distance. Un critère de consistance d’imagerie dans la fonction de coût garantit que des sujets proches partagent les mêmes caractéristiques d’imagerie. Une classification des k plus proches voisins (k = 10) a été utilisée pour déterminer le diagnostic sur 35 % des sujets. Une base externe longitudinale de 481 sujets ayant une plainte cognitive (MCI) avec suivi jusqu’à 5 ans a permis d’évaluer l’évolution entre les MCI-converters (diagnostiqués MA) et les MCI-nonconverters.

Résultats

Le PatientSpace se divise en 3 clusters correspondant aux 3 diagnostics. Une hétérogénéité existe au sein des clusters, notamment entre les MA à début précoce (< 65 ans) et tardif. Les performances de classification sont élevées : CN (Se = 0,96 ; Sp = 0,94), MA (Se = 0,94 ; Sp = 0,92), DFT (Se = 0,77 ; Sp = 0,89). Les MCI-nonconverters évoluent au sein des CN avec une tendance liée à l’âge, tandis que les MCI-converters se projettent d’abord au sein des CN avant de migrer vers les MA.

Conclusion

Le PatientSpace, basé sur une IA générative, distingue efficacement la MA des DFT et CN, avec une possible prédiction de l’évolution MCI vers la démence. Ce modèle ouvre des perspectives pour explorer les phénotypes cliniques au sein des MA et DFT.