Identification des troubles du spectre autistique à l'aide d'un réseau de convolution de graphes basé sur la connectivité fonctionnelle multiple

Autisme Spectrum Disorder (ASD) est une maladie hétérogène caractérisée par des comportements répétitifs, des intérêts restreints et de graves déficiences dans les interactions sociales, ce qui signifie qu’elle se manifeste différemment chez chaque individu. Environ 1 % des enfants d’âge préscolaire en Chine sont atteints d’autisme. Actuellement, le diagnostic d’autisme repose sur des échelles de diagnostic et des entretiens cliniques, ce qui implique une évaluation subjective pouvant fortement influencer les résultats de diagnostic. Cela pose de grands défis pour les soins médicaux, sociaux et éducatifs. Cet article propose un cadre de réseau de convolution de graphes multi-connexions (mfc-GCN), combinant les réseaux de convolution de graphes (GCN) et les données d’imagerie par résonance magnétique fonctionnelle au repos (rs-fMRI), afin de réaliser un diagnostic précoce de l’Autisme Spectrum Disorder (ASD). Cet article est rédigé par Chaoran Ma, Wenjie Li, Sheng Ke, Jidong Lv, Tiantong Zhou et Ling Zou, publié en ligne le 8 mars 2024 et édité par la Fédération Internationale de Génie Médical et Biologique (International Federation for Medical and Biological Engineering).

L’imagerie par résonance magnétique fonctionnelle (IRMf) est une technique d’imagerie non invasive à haute résolution, largement utilisée pour détecter et diagnostiquer diverses maladies cérébrales, y compris l’autisme. Ces dernières années, l’utilisation des techniques d’apprentissage profond basées sur les données d’IRMf pour le diagnostic précoce de l’ASD a montré un immense potentiel. Les signaux dépendants du niveau d’oxygène dans le sang (BOLD) obtenus à partir des recherches basées sur l’IRMf peuvent être utilisés pour construire des connexions fonctionnelles (FC), explorant les différences d’activité cérébrale entre les patients et les individus normaux ainsi que les biomarqueurs des maladies associées. L’analyse du réseau cérébral en utilisant la structure de graphe est devenue l’une des méthodes importantes pour comprendre la fonction cérébrale.

Introduction de l’article

Cet article propose un cadre de réseau de convolution de graphes multi-connexions (mfc-GCN), utilisant non seulement les données de connexions fonctionnelles cérébrales globales, mais aussi les données de connexions fonctionnelles spécifiques provenant des réseaux cérébraux clés associés à l’ASD. Le modèle utilise des réseaux de convolution de graphes (GCN) pour obtenir des informations de caractéristiques complémentaires afin de réaliser la tâche finale de classification. Pour faire face aux problématiques d’hétérogénéité dans le jeu de données d’images cérébrales d’ASD (ABIDE), une nouvelle couche de lecture de réseau d’attention externe (eanreadout) a été conçue et introduite pour explorer les associations potentielles entre les individus, efficacement abordant les problèmes d’hétérogénéité du jeu de données. Les résultats expérimentaux montrent que le cadre peut efficacement apprendre des informations de caractéristiques complémentaires à partir des deux types de données, atteignant une précision de classification de l’ASD de 70,31%.

Méthodologie

L’étude utilise le jeu de données ABIDE de 714 sujets, comprenant 334 patients ASD et 380 témoins en bonne santé, dont 289 hommes et 45 femmes pour les patients ASD, et 308 hommes et 72 femmes pour les témoins en bonne santé. En utilisant l’étiquetage anatomique automatique (AAL) pour parcelliser le cerveau, les données de séries temporelles sont obtenues et fournies au cadre du réseau de convolution de graphes multi-connexions (mfc-GCN). Le cadre comporte deux branches, une pour l’apprentissage des caractéristiques des données FC globales du cerveau complet, et l’autre pour l’apprentissage des caractéristiques des données FC clés, fusionnant finalement les caractéristiques extraites des deux branches pour la tâche finale de classification ASD.

Construction de graphes et extraction de caractéristiques

Utilisant la parcellisation AAL, 116 régions cérébrales sont obtenues, calculant les coefficients de corrélation de Pearson entre les séries temporelles pour obtenir les données de connexions fonctionnelles (FC globales et FC clés). Lors du traitement des connexions fonctionnelles globales et clés, un algorithme des plus proches voisins (KNN) est introduit pour éliminer les informations inutiles, conservant les 10 % des connexions les plus fortes des nœuds.

Réseau de convolution de graphes (GCN)

Les réseaux de convolution de graphes (GCN) sont utilisés pour l’apprentissage des caractéristiques des graphes d’entrée. GCN utilise le théorème de convolution de la transformation de Fourier sur les structures de graphiques, définissant une opération de convolution par couche pour agréger les informations des voisins autour des nœuds et mettre à jour les informations des nœuds.

Couche de lecture de réseau d’attention externe (EANReadout)

Pour aborder l’hétérogénéité des jeux de données, une nouvelle couche de lecture de réseau d’attention externe (eanreadout) a été conçue pour apprendre les informations d’association potentielles entre les échantillons, réduisant ainsi les problèmes d’hétérogénéité. Eanreadout peut efficacement capturer les informations trans-sujets, améliorant les performances globales du réseau et la capacité de diagnostic de l’ASD.

Principaux résultats

  1. Comparaison des performances : Le cadre mfc-GCN proposé dans cet article affiche des performances supérieures en termes de précision, de sensibilité et de spécificité. Les résultats des tests sont respectivement de 70,31%, 72,55% et 69,23%.
  2. Comparaison des différentes couches de lecture : La comparaison des performances des couches de lecture max, mean et de leur concaténation avec eanreadout montre que eanreadout surpasse les couches de lecture traditionnelles dans tous les indicateurs, augmentant la précision de 4,32%.
  3. Effet de la concaténation des couches eanreadout multiples : Dans les expériences de concaténation multiple de eanreadout, la meilleure performance est atteinte en concaténant trois couches GCN (r1||r2||r3).
  4. Effet des connexions fonctionnelles globales et clés : mfc-GCN utilisant simultanément les données FC globales et clés du cerveau réalise les meilleures performances, démontrant la complémentarité des apprentissages de caractéristiques des deux types de données.

Conclusion et importance

Le cadre mfc-GCN combinant les données FC globales et clés du cerveau, en utilisant GCN pour extraire des informations de caractéristiques complémentaires à partir des structures topologiques globales et locales, améliore les capacités de classification de l’ASD. La nouvelle couche de lecture de réseau d’attention externe (eanreadout) capturant les informations trans-sujets, aborde efficacement les problèmes d’hétérogénéité des jeux de données, augmentant encore les performances de classification et d’efficacité de diagnostic. Dans l’ensemble, cet article explore les caractéristiques complémentaires des données multi-connexions et utilise une nouvelle couche de lecture, améliorant significativement la précision du diagnostic de l’ASD, ayant des implications importantes pour l’identification précoce de l’autisme à l’avenir.

Perspectives futures

Les recherches futures pourraient envisager d’inclure des informations multimodales, telles que l’imagerie par résonance magnétique structurelle (IRM). La combinaison de résultats d’apprentissage profond plus interprétables sur le plan neurologique peut aider à approfondir davantage la compréhension des mécanismes de l’ASD.