Utilisation de l'apprentissage profond pour quantifier le rythme du vieillissement cérébral en relation avec les changements neurocognitifs
Avec l’aggravation du problème mondial du vieillissement, l’incidence des maladies neurodégénératives (comme la maladie d’Alzheimer, Alzheimer’s Disease, AD) augmente chaque année. Le vieillissement cérébral (Brain Aging, BA) est l’un des facteurs de risque importants des maladies neurodégénératives, mais il ne coïncide pas complètement avec l’âge chronologique (Chronological Age, CA). Les méthodes traditionnelles d’évaluation du vieillissement cérébral reposent principalement sur les horloges de méthylation de l’ADN. Cependant, cette méthode ne peut pas refléter directement le vieillissement des tissus cérébraux, car la barrière hémato-encéphalique (Blood-Brain Barrier) sépare les cellules sanguines des cellules cérébrales. Par conséquent, comment évaluer avec précision la vitesse de vieillissement cérébral (Pace of Brain Aging, P) par des moyens non invasifs est devenu un sujet de recherche important.
Cette étude vise à développer un modèle capable de quantifier la vitesse de vieillissement cérébral en utilisant des données d’imagerie par résonance magnétique longitudinale (Longitudinal MRI) grâce à des techniques d’apprentissage profond et à explorer sa relation avec les changements neurocognitifs. Cette recherche aide non seulement à identifier plus tôt les populations à risque de maladies neurodégénératives, mais fournit également une base scientifique pour des stratégies d’intervention personnalisées.
Source de l’article
Cet article a été réalisé conjointement par Chenzhong Yin, Phoebe Imms, Nahian F. Chowdhury, Nikhil N. Chaudhari, Heng Ping, Haoqing Wang, Paul Bogdan, Andrei Irimia, entre autres. L’équipe de recherche provient de plusieurs départements de l’Université de Californie du Sud (University of Southern California, USC), y compris le département de génie électrique et informatique, le centre de recherche sur la gérontologie et le département de génie biomédical. L’article a été publié dans les Actes de l’Académie nationale des sciences (Proceedings of the National Academy of Sciences, PNAS) le 24 février 2025.
Processus de recherche et détails
1. Conception de l’étude
L’équipe de recherche a développé un modèle longitudinal (Longitudinal Model, LM) basé sur un réseau neuronal convolutif tridimensionnel (3D Convolutional Neural Network, 3D-CNN) pour estimer la vitesse de vieillissement cérébral à partir de données IRM longitudinales. La recherche a été divisée en plusieurs étapes principales :
a) Collecte et prétraitement des données
La recherche a utilisé des données IRM provenant de plusieurs bases de données, y compris l’Initiative de Neuroimagerie de la Maladie d’Alzheimer (Alzheimer’s Disease Neuroimaging Initiative, ADNI) et la Biobanque britannique (UK Biobank, UKBB). L’étude a inclus un total de 3 359 adultes cognitivement normaux (Cognitively Normal, CN), âgés de 47 à 88 ans. De plus, l’étude comprenait un ensemble de test indépendant de 104 personnes cognitivement normales et 140 patients atteints de la maladie d’Alzheimer.
Les données IRM ont été prétraitées, y compris le retrait du crâne, la correction du mouvement, la normalisation de l’intensité du signal ainsi que le fractionnement et la reconstruction des régions cérébrales à l’aide de Freesurfer.
b) Développement et formation du modèle
L’équipe de recherche a conçu un modèle 3D-CNN dont l’entrée est la différence de volume IRM d’un même participant à deux points temporels (t1 au départ et t2 au suivi) (δi = i(t2) - i(t1)). Le modèle estime le changement d’âge cérébral (δBA = BA(t2) - BA(t1)) via une analyse de régression et calcule la vitesse de vieillissement cérébral (P = δBA / δCA, où δCA est l’intervalle de temps).
L’entraînement du modèle a utilisé les données de 2 055 adultes cognitivement normaux, tandis que l’ensemble de validation incluait 1 304 adultes cognitivement normaux. Le modèle adopte l’erreur quadratique moyenne (Mean Squared Error, MSE) comme fonction de perte et utilise l’optimiseur Adam pour l’optimisation.
c) Test et comparaison des modèles
L’étude a évalué les performances du modèle sur un ensemble de tests indépendant et l’a comparé aux trois modèles existants :
1. Un modèle 3D-CNN basé sur des données IRM à un seul point temporel ;
2. Un réseau convolutionnel entièrement simple (Simple Fully Convolutional Network, SFCN) ;
3. Un modèle SFCN optimisé (SFCN-reg).
Les résultats montrent que l’erreur absolue moyenne (Mean Absolute Error, MAE) du modèle longitudinal est de 0,16 an, surpassant nettement les autres modèles (MAE respectivement de 1,85 ans, 2,2 ans et 2,73 ans).
2. Résultats principaux
a) Estimation de la vitesse de vieillissement cérébral
Le modèle longitudinal a montré d’excellentes performances chez les adultes cognitivement normaux, capable d’estimer avec précision la vitesse de vieillissement cérébral. Chez les patients atteints de la maladie d’Alzheimer, le MAE du modèle était de 0,50 an, surpassant toujours les autres modèles.
b) Corrélation avec les changements neurocognitifs
L’étude a révélé que la vitesse de vieillissement cérébral (P) est significativement corrélée aux changements de la fonction cognitive. Par exemple, dans l’ensemble de données ADNI, P est positivement corrélé aux changements des scores de l’échelle d’évaluation de la maladie d’Alzheimer (Alzheimer’s Disease Assessment Scale, ADAS), indiquant que plus la vitesse de vieillissement cérébral est rapide, plus la fonction cognitive se détériore de manière évidente.
c) Cartographie des caractéristiques anatomiques
Grâce à la cartographie de la saillance (Saliency Mapping), l’équipe de recherche a identifié les régions cérébrales associées à la vitesse de vieillissement cérébral selon différents sexes, âges et états cognitifs. Par exemple, le gyrus précentral droit et le gyrus postcentral jouent un rôle important dans l’estimation de P chez les femmes, tandis que le gyrus frontopolaire transverse gauche et le gyrus supramarginal droit sont plus critiques chez les hommes.
Conclusion et signification
Cette étude a développé un modèle longitudinal basé sur l’apprentissage profond capable d’estimer avec précision la vitesse de vieillissement cérébral à partir de données IRM longitudinales et de révéler sa relation avec les changements neurocognitifs. Ce modèle fournit non seulement un nouvel outil pour l’évaluation précoce des risques de maladies neurodégénératives, mais pose également les bases pour le développement de stratégies d’intervention personnalisées.
Points forts de la recherche
- Méthode innovante : Pour la première fois, l’utilisation de 3D-CNN pour estimer directement la vitesse de vieillissement cérébral à partir de données IRM longitudinales évite les limitations des méthodes traditionnelles nécessitant plusieurs estimations indépendantes de l’âge cérébral.
- Haute précision et polyvalence : Le modèle a montré d’excellentes performances chez les adultes cognitivement normaux et les patients atteints de la maladie d’Alzheimer, et peut être généralisé à des ensembles de tests indépendants.
- Interprétabilité anatomique : Grâce à la cartographie de la saillance, l’étude a révélé les régions cérébrales associées à la vitesse de vieillissement cérébral selon différents sexes et états cognitifs, offrant une nouvelle perspective pour comprendre les mécanismes biologiques du vieillissement cérébral.
Autres informations importantes
Cette étude offre également des indications importantes pour les futures directions de recherche, telles que l’élargissement de la diversité des échantillons d’entraînement pour améliorer la polyvalence du modèle, ainsi que la combinaison avec d’autres biomarqueurs (comme la méthylation de l’ADN) pour valider davantage la précision du modèle.