Le traitement des personnes atteintes de la maladie de Parkinson peut être considérablement amélioré grâce à l’utilisation de techniques numériques. De nombreuses études et recherches sont actuellement en cours pour déterminer exactement comment l’intelligence artificielle peut contribuer à une thérapie personnalisée. L’objectif est de pouvoir détecter avec certitude les premiers signes afin de pouvoir intervenir le plus tôt possible dans l’évolution de la maladie.
La maladie de Parkinson (MP) est la cause dégénérative la plus fréquente du parkinsonisme. Le parkinsonisme atypique comprend la paralysie supranucléaire progressive (PSP), l’atrophie systémique multiple (MSA) et la dégénérescence corticobasale (DCB). La différenciation clinique des syndromes parkinsoniens reste difficile. Par conséquent, des recherches ont été menées pour déterminer si l’IRM et l’apprentissage automatique amélioraient la précision du diagnostic chez les patients atteints de la maladie de Parkinson à un stade précoce par rapport aux critères cliniques [1]. 118 patients suspectés de parkinsonisme atypique, pour lesquels un suivi était disponible et une IRM cérébrale avait été réalisée lors de l’examen initial, ont été inclus dans l’étude. Les diagnostics posés lors de l’examen initial et après une période de suivi de deux ans ont été établis sur la base des critères cliniques publiés. Le diagnostic IRM a été établi sur la base de l’analyse radiologique des images IRM. Les images pondérées en T1 ont été segmentées à l’aide de FreeSurfer, un logiciel de segmentation automatique, et les volumes des régions d’intérêt ont été extraits : Mésencéphale, Pons, Cerebellum et Ganglions de la base. Un algorithme supervisé d’apprentissage automatique (régression logistique), précédemment développé et entraîné sur des volumes des mêmes régions, a été testé sur cette population. Nous avons ensuite comparé la précision diagnostique des critères cliniques lors de la première visite, de l’analyse radiologique par IRM et de l’algorithme d’apprentissage automatique, en prenant le diagnostic final comme référence.
Il s’est avéré que les critères de diagnostic cliniques avaient une précision diagnostique de 63,6% lors de l’examen initial. L’analyse radiologique de l’IRM a permis de classer correctement 82% des patients qui répondaient aux critères de diagnostic possible et 75% des patients dont le diagnostic n’était pas clair lors de l’examen initial. L’algorithme a également confirmé le diagnostic de parkinsonisme chez 91% des patients et chez 66% des patients dont le diagnostic était indéterminé. Les résultats mettent en évidence les limites des critères cliniques et l’apport de l’IRM dans la différenciation précoce du parkinsonisme. Bien que la précision ait été inférieure à celle de l’IRM, l’apprentissage automatique pourrait être une aide dans les centres qui ne sont pas des experts.
Regarder profondément dans les yeux
Les maladies neurodégénératives (MND) sont la première cause de handicap dans le monde et elles sont en augmentation. L’augmentation des taux de la maladie de Parkinson est particulièrement alarmante. Il y a donc un besoin urgent de biomarqueurs sensibles et spécifiques qui permettent une prédiction différenciée – en particulier dans les phases précoces et prodromiques de la maladie, de sorte qu’une approche médicale personnalisée des produits thérapeutiques puisse être planifiée et suivie. Le développement de mesures objectives de la maladie de Parkinson (MP) est rendu difficile par le spectre cognitif et moteur de la maladie et par la présence de troubles atypiques tels que la paralysie supranucléaire progressive (PSP). L’observation oculaire (eye tracking) a été proposée comme source de biomarqueurs prospectifs dans la MP. Des travaux récents ont montré l’utilisation de l’apprentissage automatique pour classifier la MP et son spectre cognitif sur la base des caractéristiques oculomotrices. Une sensibilité accrue a maintenant été démontrée dans une tâche visuelle libre non structurée, à la fois pour la PD et la PSP [2].
120 patients atteints de MP, 8 participants PSP et 97 participants témoins du même âge sans dysfonctionnement neurologique ont effectué une tâche naturaliste de vision libre, tandis que leurs yeux étaient suivis avec une grande précision. Des masses de saccades, de pupilles et de clignements ont été extraites des films de 10 minutes. Ces mesures ont été utilisées pour entraîner un classificateur à l’aide d’un moteur vectoriel de support. Le classificateur a été adapté et la performance a été mesurée à l’aide de l’aire sous les courbes de caractéristiques de fonctionnement du récepteur (ROC-AUC) en utilisant une série de tests et une validation croisée. Il s’est avéré que la PD et la PSP pouvaient être prédites avec une grande sensibilité en utilisant un paradigme d’observation de la vision libre. La tâche ROC-AUC n’était pas seulement comparable à la tâche Antisaccade, elle était même meilleure. L’étape suivante consiste à évaluer les performances de ce classificateur à l’aide d’un ensemble de tests naïfs réalisés par un organisme indépendant.
Classification basée sur les scanners cérébraux
Les futurs traitements neuroprotecteurs de la maladie de Parkinson mettent en évidence le besoin de tests diagnostiques précoces. L’IRM n’est actuellement pas considérée comme un test d’imagerie robuste de la MP. Cependant, des techniques exploratoires suggèrent que des séquences expérimentales spécifiques pourraient être en mesure de détecter des changements pathologiques précoces dans le cerveau. On a donc cherché à savoir si de tels changements pouvaient être détectés dans les scans IRM de routine grâce à l’utilisation de méthodes d’apprentissage en profondeur (DL) [3]. Ce sous-ensemble de l’apprentissage automatique s’est récemment révélé très prometteur pour l’imagerie médicale diagnostique, car il a le potentiel de détecter des motifs invisibles à l’œil humain. De nouvelles méthodes d’explication permettent de mieux interpréter les prédictions de DL.
194 scans ont été pris plus de quatre ans après le diagnostic, 265 deux à quatre ans après le diagnostic, 241 un à deux ans après le diagnostic et 282 moins d’un an après le diagnostic. Chaque cohorte a été comparée à des témoins sur la base de l’âge et du sexe. Plus le temps écoulé depuis le diagnostic est long, plus la performance diagnostique des modèles était bonne. Les modèles entraînés pour les cas ultérieurs de la maladie de Parkinson ont montré de bonnes performances diagnostiques. Les performances décroissantes pour les stades antérieurs de la maladie de Parkinson indiquent que des changements progressifs ont été identifiés. L’utilisation de l’IA explicable a mis en évidence des régions qui correspondent à la neuropathologie connue de la maladie de Parkinson et qui constituent un point focal pour les travaux futurs.
Reconnaître et classer les tremblements
Les principaux symptômes de la maladie de Parkinson sont la bradykinésie, les tremblements et la rigidité. Le diagnostic de la MP dépend principalement de l’évaluation clinique basée sur la révision de l’échelle Unified Parkinson Disease Rating Scale (MDS-UPDRS), parrainée par la Movement Disorder Society. Une étude a tenté de développer un programme d’apprentissage automatique pour la détection et la classification des tremblements chez les patients atteints de la maladie de Parkinson [4].
Un accéléromètre mécanique triaxial a été développé pour détecter objectivement les tremblements dans la maladie de Parkinson et les troubles moteurs apparentés, en plus de l’évaluation clinique. Pour ce faire, nous avons utilisé une mesure quantitative continue peu coûteuse des mouvements des membres chez les personnes atteintes de la maladie de Parkinson – une modification du MDS-UPDRS. Le protocole a été mené par des évaluateurs formés et certifiés pour le MDS-UPDRS sur 20 participants atteints de la maladie de Parkinson et huit témoins sains du même âge et du même sexe. Des segments de dix secondes de signaux d’accélération de tâches répétitives (frappe des doigts, mouvements des mains, pronation-supination des mains, frappe des orteils et mobilité des jambes) et leurs transformations en ondelettes rapides (FFT) et continues (CWT) ont été classés en deux catégories : faible (correspondant aux scores 0-1) et élevé (correspondant aux scores 3-4). Un nombre égal d’images de chaque classe a été choisi au hasard et utilisé pour la classification. La capacité du réseau à classer correctement les images de validation a déterminé son taux de réussite.
Le réseau avait une précision de 92% pour la prédiction de nouvelles images CWT et une précision de 97% pour la prédiction de nouvelles images STFT en classes basse (0-1) et haute (3-4). L’utilisation de l’apprentissage automatique pour catégoriser la sortie des instruments pour les mouvements est une technique viable pour classifier les mouvements répétitifs des personnes atteintes de la maladie de Parkinson et des témoins sains. L’expérience doit être répétée avec 100 patients et 100 témoins sains.
Les tics en ligne de mire
Il peut être difficile de faire la distinction entre les tics chez les personnes souffrant de troubles du tic et les mouvements supplémentaires chez les témoins sains. En outre, l’évaluation des tics à partir d’enregistrements vidéo est longue et fastidieuse. L’apprentissage automatique a le potentiel d’aider à relever ces défis en faisant la distinction entre les tics et d’autres mouvements supplémentaires et en soutenant les évaluations cliniques.
Dans une étude, un ensemble de données de 63 vidéos de personnes souffrant de troubles du tic a été utilisé pour entraîner un classificateur Random Forest pour la détection des tics seconde par seconde [5]. Le classificateur a utilisé les caractéristiques faciales comme entrée et a défini les secondes de tic comme celles présentant des tics d’intensité égale ou supérieure à un seuil prédéfini. Le classificateur entraîné a ensuite été utilisé pour prédire la présence de tics chez les patients et de mouvements supplémentaires chez les témoins sains. Ces prédictions ont été utilisées pour calculer différentes caractéristiques, telles que le nombre de tics par minute, la durée maximale d’un segment continu non tic, la durée maximale d’un tic continu, la durée moyenne des segments sans tic, le nombre de passages de segments tic à segments non tic et inversement par minute, la taille moyenne d’un cluster de tics et le nombre de clusters par minute. Ces caractéristiques ont été combinées à l’aide d’une régression logistique pour obtenir un score unique de reconnaissance des tics. Les paramètres du modèle ont été déterminés par entraînement sur un ensemble de données de 124 vidéos de personnes souffrant de troubles du tic et de 162 vidéos de témoins sains. Pour évaluer la précision de ce score dans la classification des patients et des témoins sains, un ensemble de données de test comprenant 50 vidéos de patients et 50 vidéos de témoins sains a été utilisé. Le kit de test a atteint une précision de classification de 83%.
L’algorithme d’apprentissage automatique est utile pour détecter les tics et faire la distinction entre les tics et d’autres mouvements supplémentaires. Il pourrait être développé en un outil utilisable en clinique. Pour améliorer la précision de la classification, l’étape suivante consiste à affiner le score de détection des tics. En outre, l’importance de chaque caractéristique sera analysée afin de déterminer quelles caractéristiques sont les plus utiles pour distinguer les deux groupes. L’algorithme pourrait alors également être utile pour faire la distinction entre les tics et les mouvements fonctionnels.
Congrès : International Congress of Parkinson’s Disease and Movement Disorders® 2023
Littérature :
- Chougar L, Faucher A, Faouzi J, et al.: Contribution of MRI and machine learning approaches to the diagnosis of patients with early-stage parkinsonism in a situation of clinical uncertainty [abstract 161]. Mov Disord 2023; 38 (suppl 1).
- Brien D, Riek H, Ye R, et al.: Machine learning classifies Parkinson’s Disease and Progressive Supranuclear Palsy on saccade, pupil, and blink measures during a naturalistic free-viewing task [abstract 276]. Mov Disord 2023; 38 (suppl 1).
- Courtman M, Thurston M, Mcgavin L, et al.: Explainable deep learning based detection of Parkinson’s changes in MRI brain scans [abstract 1552]. Mov Disord 2023; 38 (suppl 1).
- Elshourbagy T, Hernandez M, Mckay G, Brasic J: Artificial Intelligence to detect and classify tremors in patients with Parkinson’s disease and related conditions [abstract 1211]. Mov Disord 2023; 38 (suppl 1).
- Becker L, Schappert R, Brügge N, et al.: New machine learning approaches in tic detection: Seeking to learn more about the characteristic of tics [abstract 951]. Mov Disord 2023; 38 (suppl 1).
InFo NEUROLOGIE & PSYCHIATRIE 2023; 21(5): 24–25
