Recherche sur les biomarqueurs des lobes cérébraux pour améliorer la détection de la démence à l'aide de données EEG
Contexte
La démence est un problème de santé mondial qui affecte gravement la qualité de vie des patients et impose un fardeau considérable sur les systèmes de santé. La maladie d’Alzheimer (Alzheimer’s Disease, AD) et la démence frontotemporale (Frontotemporal Dementia, FTD) sont deux types courants de démence, dont les symptômes se chevauchent, rendant le diagnostic précis et le développement de traitements ciblés particulièrement difficiles. La détection précoce et le diagnostic précis sont essentiels pour une gestion efficace de la démence. Les méthodes de diagnostic traditionnelles, telles que les évaluations cliniques et les techniques de neuro-imagerie (IRM, TEP), bien qu’efficaces, sont coûteuses, longues et peu accessibles. Par conséquent, les chercheurs explorent des alternatives non invasives et rentables, comme l’électroencéphalographie (EEG).
L’EEG capture l’activité électrique du cerveau à travers des électrodes placées sur le cuir chevelu, offrant une haute résolution temporelle, un faible coût et une facilité d’utilisation. Les changements dans la fonction cérébrale des patients atteints de démence peuvent être reflétés dans les signaux EEG, en particulier dans les différents lobes cérébraux responsables de la cognition, de la mémoire et du traitement sensoriel. Cependant, les méthodes existantes basées sur l’EEG échouent souvent à identifier des biomarqueurs spécifiques, en particulier les changements dans les lobes cérébraux. Par conséquent, étudier le rôle des lobes cérébraux dans la détection de la démence est crucial pour améliorer la précision du diagnostic.
Source de l’étude
Cet article a été co-écrit par Siuly Siuly, Md. Nurul Ahad Tawhid, Yan Li, Rajendra Acharya, Muhammad Tariq Sadiq et Hua Wang. Les auteurs sont affiliés à des institutions telles que Victoria University, University of Southern Queensland, University of Dhaka et University of Essex. L’étude a été publiée en 2025 dans la revue Cognitive Computation, sous le titre “Investigating Brain Lobe Biomarkers to Enhance Dementia Detection Using EEG Data”.
Déroulement de l’étude
1. Prétraitement des données
L’étude a utilisé le jeu de données EEG public OpenNeuro ds004504, qui contient des enregistrements EEG de 88 participants, répartis en groupes AD (36 personnes), FTD (23 personnes) et témoins sains (HC, 29 personnes). Les signaux EEG ont d’abord été filtrés à l’aide d’un filtre passe-bande Butterworth (0,5-45 Hz) pour éliminer le bruit, puis des artefacts oculaires et mandibulaires ont été supprimés à l’aide de la routine de rejet automatique des artefacts (ASR) et de l’analyse en composantes indépendantes (ICA). Les signaux ont ensuite été rééchantillonnés à 256 Hz et segmentés en périodes de 3 secondes pour améliorer l’efficacité computationnelle et préserver les informations clés.
2. Groupement par lobes cérébraux
Les canaux EEG ont été regroupés selon les lobes cérébraux correspondants, y compris le lobe frontal (Frontal), le lobe central (Central), le lobe temporal (Temporal), le lobe pariétal (Parietal) et le lobe occipital (Occipital). Les signaux EEG de chaque lobe ont été analysés séparément pour étudier leur rôle dans la détection de la démence.
3. Génération de spectrogrammes
La transformée de Fourier à court terme (Short-Time Fourier Transform, STFT) a été utilisée pour convertir les signaux EEG en spectrogrammes. Les spectrogrammes fournissent une représentation temps-fréquence de l’activité cérébrale, permettant de capturer les changements dans les ondes cérébrales associés au déclin cognitif.
4. Classification par réseau de neurones convolutifs (CNN)
Les spectrogrammes générés ont été introduits dans un modèle d’apprentissage profond basé sur un réseau de neurones convolutifs (CNN), comprenant quatre couches convolutives, trois couches Dropout, une couche entièrement connectée et une couche de classification. Le modèle CNN est capable d’extraire et d’apprendre automatiquement les caractéristiques des spectrogrammes, permettant ainsi la classification de la démence.
5. Évaluation du modèle
L’étude a utilisé une validation croisée à dix plis (10-fold Cross-Validation) pour évaluer les performances du modèle, en calculant des métriques telles que la sensibilité (Sensitivity), la spécificité (Specificity), la précision (Precision), l’exactitude (Accuracy), le score F1 (F1 Score) et le taux de faux positifs (False Positive Rate). De plus, la méthode Grad-CAM a été utilisée pour améliorer l’interprétabilité des résultats, fournissant des insights visuels significatifs.
Résultats principaux
1. Analyse des lobes cérébraux
L’étude a révélé que le lobe pariétal présentait les changements les plus significatifs dans la détection de l’AD et de la FTD. Dans la tâche de classification AD vs. HC, l’exactitude du lobe pariétal a atteint 92,25 %, tandis que dans la tâche de classification FTD vs. HC, l’exactitude du lobe pariétal a atteint 95,72 %. Les lobes temporal et frontal ont également montré des performances de classification élevées, tandis que le lobe central a obtenu des résultats moins satisfaisants.
2. Analyse de la région cérébrale complète
Lors de l’utilisation des signaux EEG de la région cérébrale complète pour la classification, l’exactitude pour AD vs. HC était de 95,59 %, et pour FTD vs. HC, elle était de 93,14 %. Cela indique que, bien que le lobe pariétal joue un rôle important dans la détection de la démence, la combinaison des signaux EEG de la région cérébrale complète peut encore améliorer les performances de classification.
3. Visualisation Grad-CAM
La méthode Grad-CAM a révélé les zones des spectrogrammes les plus influentes pour les décisions de classification. Les spectrogrammes du lobe pariétal et de la région cérébrale complète ont montré des zones de carte thermique significatives, indiquant que ces régions fournissent des informations clés pour la détection de la démence. En revanche, les spectrogrammes du lobe central présentaient moins de zones de carte thermique, ce qui correspond à ses performances de classification plus faibles.
Conclusion et signification
Cette étude a développé un nouveau cadre combinant la STFT et les CNN pour identifier les biomarqueurs clés des lobes cérébraux dans la détection de la démence. Les résultats montrent que le lobe pariétal joue un rôle crucial dans la détection de l’AD et de la FTD, et que la combinaison des signaux EEG de la région cérébrale complète peut encore améliorer la précision du diagnostic. Cette recherche fournit un outil non invasif et rentable pour la détection précoce de la démence, avec une valeur clinique importante.
Points forts de l’étude
- Cadre innovant : Première combinaison de la STFT et des CNN pour l’analyse des signaux EEG dans la démence.
- Analyse spécifique des lobes cérébraux : Première étude systématique du rôle des différents lobes cérébraux dans la détection de la démence, identifiant le lobe pariétal comme biomarqueur clé.
- Classification haute performance : Atteint des exactitudes de 95,59 % et 95,72 % respectivement pour les tâches de classification AD et FTD, surpassant les méthodes existantes.
- Amélioration de l’interprétabilité : Utilisation de la méthode Grad-CAM pour fournir une explication visuelle des décisions du modèle, renforçant la crédibilité des résultats.
Autres informations utiles
L’étude a également comparé les performances des méthodes existantes sur le jeu de données OpenNeuro ds004504, validant davantage la supériorité du cadre proposé. Les recherches futures pourraient continuer à explorer l’application de l’EEG dans la détection et la surveillance de la démence, favorisant son adoption dans la pratique clinique.
Grâce à cette étude, nous avons approfondi notre compréhension des mécanismes pathologiques de la démence et fourni de nouvelles pistes pour développer des outils de diagnostic plus efficaces. Nous espérons que ces résultats contribueront à un diagnostic plus précoce et plus précis pour les patients atteints de démence dans le monde, améliorant ainsi leur qualité de vie.