Une étude publiée dans le Neuroimage : clinique Une revue médicale a découvert que les algorithmes d'apprentissage automatique sont capables de reconnaître les schémas d'atrophie associés à des maladies neurodégénératives plus rares telles que la FTD.

Menée par des chercheurs de l'Institut Max Planck des sciences cognitives et cérébrales humaines et du Centre médical de l'Université de Leipzig en Allemagne, l'étude visait à résoudre l'obstacle considérable que représente l'obtention d'un diagnostic correct des troubles cérébraux moins courants. Lorsque le diagnostic est incertain, le traitement devient difficile car les professionnels de la santé ne savent pas quelles thérapies suivre pour traiter correctement les symptômes d'une personne.

"Des questions telles que celles posées par [les patients] dans notre étude sont typiques de la pratique clinique quotidienne", a déclaré le co-auteur de l'étude, Matthias Schroeter. Actualités des neurosciences. « Avant tout, la question se pose du bon diagnostic afin que la thérapie puisse être adaptée à chaque patient et à sa maladie spécifique.

Pour évaluer les algorithmes d'apprentissage automatique en tant qu'outil d'amélioration du diagnostic, les chercheurs ont utilisé l'intelligence artificielle pour analyser les données d'imagerie de 426 participants atteints d'une forme de démence (dont plusieurs troubles de la famille FTD) et les données de 51 participants témoins. Le modèle d'apprentissage automatique a examiné 64 régions différentes du cerveau, vérifiant l'atrophie des volumes de différents types de tissus cérébraux.

Selon les chercheurs, un modèle d'apprentissage automatique pourrait classer le bon type de démence avec une plage de précision de 71-95%. Un modèle d'apprentissage automatique plus complexe avait une plus grande précision, mais tombait toujours en dessous de 100%. Les chercheurs ont noté que le modèle plus complexe n'avait pas les mêmes performances pour tous les types de démence et était meilleur pour classer les troubles avec des modèles d'atrophie qui se concentraient sur une certaine région du cerveau.

Bien que l'apprentissage automatique ait ses limites, les algorithmes peuvent toujours être bénéfiques pour réduire le temps de diagnostic, selon les auteurs de l'étude.

« Même si l'évolution de ces maladies progresse, les personnes atteintes aux premiers stades de la maladie peuvent continuer à travailler et à gérer leur quotidien avec un accompagnement. C'est pourquoi un diagnostic précoce et une adaptation individuelle des mesures thérapeutiques sont cruciaux », a déclaré Schroeter.

Vous souhaitez en savoir plus sur l'utilisation de technologies telles que l'apprentissage automatique pour diagnostiquer la DFT ? Vérifier Cet article sur l'utilisation de capteurs portables pour surveiller la progression de paralysie supranucléaire progressive, ou Cet article à propos d'une étude qui a utilisé l'apprentissage automatique pour enquêter sur une théorie vieille de 120 ans sur la démence.

Êtes-vous intéressé à participer à une étude comme celle que vous avez lue? Découvrez les AFTD Études à la recherche de participants page.