Une nouvelle étude menée par des chercheurs de l'Université du Dakota du Sud et de l'Oregon Health & Science University démontre que l'entraînement de modèles d'apprentissage automatique sur des données électroencéphalographiques (EEG) provenant de populations diverses améliore considérablement la fiabilité de la détection de la maladie de Parkinson. Les travaux, publiés sur arXiv, établissent un cadre pour créer des biomarqueurs EEG qui fonctionnent dans différents contextes cliniques.
La recherche
Nicholas Rasmussen et ses collègues ont analysé des enregistrements EEG de cinq cohortes indépendantes de personnes atteintes de la maladie de Parkinson et de témoins sains. Plutôt que de supposer que les données provenant de différents hôpitaux ou dispositifs d'enregistrement sont interchangeables, l'équipe a systématiquement testé toutes les combinaisons possibles d'entraînement inter-populations — 75 évaluations directionnelles au total. Leur approche « consciente de la population » a utilisé une stratégie d'expansion par n-grammes pour garantir qu'aucun artefact spécifique à une population ne biaise les résultats.
Lorsque les modèles étaient entraînés sur les données d'une seule cohorte et testés sur une autre, la précision chutait souvent de manière significative. Cependant, l'entraînement sur plusieurs cohortes diverses a produit des modèles beaucoup plus robustes. Le meilleur modèle a atteint une précision de 94,1 % sur les cohortes exclues, et la stabilité des biomarqueurs EEG sélectionnés s'est améliorée à mesure que la diversité de la population d'entraînement augmentait. Une analyse théorique basée sur l'optimisation du risque de mélange et la contraction de l'espace des hypothèses a expliqué pourquoi : l'entraînement multi-population force le modèle à apprendre des schémas neuronaux pertinents pour la maladie plutôt que du bruit spécifique au site.
La conception de validation croisée imbriquée avec sélection intégrée des canaux a garanti que l'identification des biomarqueurs était prospective et non contaminée par des fuites de population — un écueil courant dans les études précédentes.
Pourquoi c'est important
La maladie de Parkinson touche plus de 10 millions de personnes dans le monde, et un diagnostic précoce et précis reste un défi. L'EEG est un outil non invasif et peu coûteux, mais son adoption clinique a été limitée par des résultats incohérents entre les cliniques. Cette étude fournit une méthode fondée sur des principes pour développer des biomarqueurs EEG qui se généralisent vraiment. Pour la personne moyenne, cela signifie que les futurs outils diagnostiques pourraient être plus fiables, quel que soit le lieu ou la manière dont l'EEG est collecté, réduisant les faux positifs et les diagnostics manqués.
Ce que vous pouvez faire
Bien que vous ne puissiez pas appliquer directement cette recherche, vous pouvez soutenir la santé cognitive par un entraînement cérébral régulier et en restant informé sur les diagnostics fondés sur des preuves. Si vous êtes curieux de connaître votre propre base cognitive, envisagez de passer un test de QI scientifiquement validé.
Source : arXiv q-bio.NC
Curieux de votre propre cerveau ? Passez notre test de QI adaptatif gratuit ou essayez 306 niveaux d'entraînement cérébral.
