UTILISER L’INTELLIGENCE ARTIFICIELLE POUR TRAITER LE TDAH
Le trouble d’hyperactivité avec déficit de l’attention ou TDAH, en bref, est une affection relativement courante chez les jeunes et les personnes âgées dans le monde entier. Cette condition, comme son nom l’indique, est responsable du retard de la capacité d’attention d’une personne. Les personnes qui reçoivent un diagnostic de ce trouble n’ont généralement que la possibilité d’apprendre à vivre avec car il n’a pas de remède concret. Mais cela étant dit, essayer de mieux le comprendre en extrayant des informations pertinentes sur le fonctionnement du cerveau pourrait potentiellement nous mettre sur la voie de le résoudre. Et selon une étude publiée dans Radiology: Artificial Intelligence, cela pourrait bien être possible grâce à la puissance du Deep Learning.
Comme on peut l’imaginer, il n’est pas facile d’étudier le fonctionnement interne du cerveau car c’est un organe aussi important et délicat. Heureusement, les progrès de la technologie IRM ont ouvert la possibilité d’examiner l’ensemble complexe de réseaux au sein du cerveau humain. En générant des images grâce à la détection de changements dans le flux sanguin, les IRM peuvent aider à entraîner l’activité cérébrale et à cartographier les connexions au sein et entre les réseaux cérébraux. Cette représentation détaillée des connexions dans le cerveau est appelée le connectome.
Étant donné que le connectome nous donne une disposition cartographique du cerveau, il facilite l’étude des problèmes associés au cerveau. Cela en fait donc l’outil idéal pour aider à comprendre le fonctionnement d’un esprit affecté par le TDAH.
Cependant, le connectome ne donne aux chercheurs qu’un point de départ pour analyser les cerveaux affectés par le TDAH. Ce n’est pas une solution complète en soi. Le TDAH n’est pas une maladie qui peut être diagnostiquée avec certitude sur la base d’un seul test ou d’une analyse d’image médicale. Il nécessite des examens à long terme dans lesquels le candidat est testé pour les symptômes et est soumis à une série de tests basés sur le comportement.
Par conséquent, la réalisation d’études sur de plus longues périodes tout en examinant les changements qui se produisent dans le connectome pourrait potentiellement nous donner une image plus claire du TDAH. De plus, la plausibilité de cette théorie a été confirmée et des recherches ont suggéré que le TDAH résulte d’une panne ou d’un dysfonctionnement du connectome.
Ces connectomes sont essentiellement construits à partir de régions spatiales à travers l’image MR appelées parcellations. Des critères tels que l’anatomie et les fonctions sont essentiels pour définir ces régions spatiales. Et en étudiant différentes parcelles cérébrales, il est possible de découvrir des détails sur le fonctionnement du cerveau à différentes échelles.
Jusqu’à présent, les études n’ont été menées que sur des connectomes modélisés à partir d’une seule parcellisation. Mais une nouvelle étude menée à l’Université de Cincinnati College of Medicine et au Cincinnati Children’s Hospital Medical Center est allée plus loin. Les chercheurs ont tiré parti des multiples parcellations sous-jacentes et ont développé une approche multi-échelle
En utilisant cette approche à plusieurs échelles, les chercheurs ont ensuite développé un modèle d’apprentissage en profondeur qui pourrait mieux prédire et détecter les symptômes du TDAH. Ce modèle a incorporé des données de l’ensemble de données NeuroBereau qui comprenait des données sur le connectome cérébral de 973 participants différents ainsi que des identifiants personnels pertinents tels que le sexe et le QI.
Ce modèle a été considéré comme une percée potentielle en termes de neurosciences. En effet, en plus de fournir des données essentielles qui peuvent aider à diagnostiquer et à traiter le TDAH ; grâce à davantage de recherches, ses applications pourraient également être étendues pour aider à résoudre d’autres problèmes neurologiques. Même récemment, cette technologie a fouillé dans de nouveaux territoires et a été utilisée pour prédire les déficiences cognitives chez les prématurés. Le spectre des possibilités que cette nouvelle technologie d’imagerie pourrait offrir semble être large. Ainsi, avec une plus grande exposition aux nouveaux ensembles de données de neuroimagerie et à d’autres développements, ce modèle d’apprentissage en profondeur pourrait essentiellement devenir l’un des outils les plus utiles dans le domaine des neurosciences.
