Dr. Zaineb AJRA
Introduction
Diagnostiquer une maladie neurologique n’est jamais simple, et la difficulté augmente encore lorsque l’objectif est de détecter une pathologie le plus tôt possible. Les maladies neurologiques, liées à un dysfonctionnement du système nerveux central ou périphérique, représentent aujourd’hui un défi majeur de santé publique à l’échelle mondiale. Selon l’Organisation Mondiale de la Santé (OMS), près d’une personne sur trois est touchée par une maladie neurologique, soit plus de 3 milliards de personnes dans le monde en 2021 [1]. Elles constituent la première cause de troubles de santé et de handicap, et sont responsables de plusieurs millions de décès chaque année, avec une fréquence qui augmente fortement avec l’âge.
C’est notamment le cas des maladies neurodégénératives, comme la démence, dont la forme la plus connue est la maladie d’Alzheimer. Leurs premiers signes peuvent être discrets, variable d’une personne à une autre, et parfois confondus avec des situations courantes telles que le vieillissement normal ou la fatigue.
Aujourd’hui, le diagnostic repose principalement sur des évaluations cliniques et des tests neuropsychologiques. Bien que ces outils soient indispensables, ils présentent certaines limites : leurs résultats peuvent être influencés par le niveau d’éducation ou à l’état émotionnel du patient, et leur interprétation nécessite souvent du temps ainsi qu’une compétence spécialisée. Par ailleurs, ces tests évaluent surtout ce que la personne fait (sa mémoire, son attention ou son raisonnement), sans toujours permettre de comprendre ce qui se passe réellement dans le cerveau.
Or, pour mieux accompagner les patients, l’enjeu est d’identifier les premiers signes de la maladie le plus tôt possible. Plus ces signes sont détectés précocement, plus il devient possible d’orienter rapidement les patients vers des examens complémentaires et des soins adaptés, favorisant ainsi une prise en charge plus efficace et une meilleure qualité de vie.
1- Comprendre le cerveau grâce à l’EEG
C’est dans ce cas que peut intervenir l’électroencéphalographie (EEG). Contrairement aux tests qui évaluent les performances cognitives observées, l’EEG permet d’explorer le cerveau plus directement, en enregistrant son activité électrique à l’aide d’électrodes placées sur le cuir chevelu. Cette technique permet donc d’observer le fonctionnement cérébral afin de mieux comprendre, voire de détecter, certaines altérations cérébrales dès les phases précoces de la maladie [2].
Cependant, les signaux EEG sont souvent complexes, bruités et riche en informations, ce qui rend leur analyse difficile. Aujourd’hui encore, cette analyse repose en grande partie sur l’observation visuelle réalisée par des experts, qui examinent les enregistrements signal par signal. Ce travail est long, exigeant, et peut varier d’un spécialiste à l’autre. Il devient rapidement difficile à maintenir lorsque le volume de données augmente.
Cela soulève alors une question principale : comment analyser efficacement ces signaux complexes et exploiter toute l’information qu’ils contiennent ?
2- Comment l’IA analyse le cerveau : quelle méthode fait la différence ?
Face à la complexité des signaux EEG, deux grandes approches d’IA peuvent être envisagées : l’apprentissage automatique et l’apprentissage profond. Toutes deux ont pour objectif d’automatiser l’analyse des données, mais elles reposent sur des principes différents et ne répondent pas aux mêmes enjeux. La question n’est donc pas seulement comment analyser ces données, mais plutôt quelle approche est la plus efficace dans ce contexte.
L’apprentissage automatique peut être vu comme une étape préliminaire vers l’automatisation de l’analyse EEG. Il s’appuie sur des informations définies à l’avance par des experts : on sélectionne d’abord certaines caractéristiques du signal, puis l’algorithme apprend à reconnaitre différents motifs d’activité cérébrale à partir de ces éléments. Cette approche est bien adaptée au traitement de volumes de données importants, mais elle reste dépendante des choix humains et peut être sensible au bruit présent dans les signaux.
L’apprentissage profond va encore plus loin dans l’automatisation de l’EEG. Contrairement aux approches classiques, il apprend directement à partir des signaux bruts, sans avoir besoin d’une sélection manuelle préalable des informations. Le modèle est capable d’identifier par lui-même des motifs ou des signatures cérébrales dans les signaux, même lorsqu’ils sont subtils ou difficiles à percevoir. Cette approche est bien adaptée à l’analyse de grands volumes de données complexes.
Lorsqu’il s’agit de déchiffrer des signaux aussi riches et complexes que l’EEG, l’apprentissage profond semble actuellement être l’approche la plus prometteuse [3], en particulier pour améliorer l’exploitation de toute information contenue dans les signaux cérébraux et contribuer au diagnostic précoce.
La Figure 1 présente comment un signal EEG brut est progressivement transformé, grâce à des modèles d’IA, en une information pertinente pour accompagner les médecins dans leur diagnostic.
3- Comment ça marche ?
L’analyse de l’activité cérébrale peut aujourd’hui être réalisée en combinant des enregistrements EEG avec des modèles d’IA. Ces approches permettent de traiter automatiquement de grandes quantités de données cérébrales et d’en extraire des informations difficiles à percevoir à l’œil humain.
Plusieurs modèles d’apprentissage profond sont couramment utilisés pour analyser les signaux EEG, notamment les réseaux de neurones convolutifs (en anglais Convolutional Neural Networks, CNN), les réseaux de neurones récurrents (en anglais Recurrent Neural Networks, RNN), en particulier les modèles à mémoires longue (en anglais Long Short Term Memory, LSTM), ainsi que des modèles hybrides combinant plusieurs de ces approches [4].
- Réseaux de neurones convolutifs (CNN) : ces modèles sont adaptés pour détecter des patterns dans les signaux EEG, par exemple lorsque ceux-ci sont transformés en images (comme le cas des représentations temps-fréquence).
- Réseaux de neurones récurrents (RNN/LSTM) : ces modèles sont adaptés pour traiter des séries temporelles, en prenant en compte l’évolution des signaux dans le temps.
- Modèles hybrides : ces approches combinent plusieurs types de réseaux afin de d’exploiter à la fois des structures spatiales et de la dynamique temporelle des signaux EEG.
Les modèles sont entrainés à partir de nombreux enregistrement EEG provenant à la fois de personnes en bonne santé et de patients. Chaque enregistrement est associé à une information clinique (par exemple « patient atteint » ou « sujet témoin »), ce qui permet au modèle d’apprendre à reconnaitre des motifs d’activité cérébrale caractéristiques.
Une fois l’apprentissage terminé, le modèle est capable d’analyser un nouvel enregistrement EEG et d’estimer la probabilité qu’il soit compatible avec une atteinte pathologique. Il est important de noter que cette information (une probabilité ou un score de prédiction) ne remplace pas le diagnostic médical. Elle constitue un indicateur complémentaire pour aider les cliniciens dans leur prise de décision.
Concrètement, l’IA ne remplace pas les médecins dans le diagnostic des patients, mais leur fournit des alertes supplémentaires pour les aider à mieux interpréter les résultats de tests et suivre les patients. Utilisée de cette manière, l’IA se positionne comme un outil d’aide à la décision, en complément des approches cliniques existantes, et non pas comme un système autonome.
4- Peut-on faire confiance à l’IA pour le diagnostic et le suivi médical en neurologie ?
Jusqu’à présent, on a vu que l’IA promet de pousser le diagnostic et le suivi médical en neurologie. Toutefois, une question majeure persiste : peut-on vraiment faire confiance à l’IA lorsqu’il s’agit de décisions de santé ?
Les progrès récents dans l’analyse des signaux EEG par les modèles d’IA sont encourageants. Dans certaines études, les modèles d’apprentissage profond peuvent atteindre des niveaux de précision dépassant parfois 80 à 90 % pour certaines tâches de classification. Ces résultats sont toutefois souvent obtenus dans des contextes expérimentaux bien contrôlés. Cependant, ces performances varient selon les pathologies étudiées et les données disponibles. Certaines anomalies très marquées dans l’EEG, comme celles observées dans l’épilepsie, sont généralement plus faciles à détecter que les changements plus discrets et progressifs observés dans certaines maladies neurodégénératives.
La réponse n’est donc pas si simple. Pour que l’IA devienne un outil fiable en clinique, plusieurs conditions doivent être réunies :
- La qualité des données : garbage in, garbage out :
Un modèle d’IA ne peut être performant que s’il apprend à partir de données fiables. Or, les signaux EEG, comme expliqué précédemment, sont loin d’être parfaits. Un simple clignement des yeux, une contraction musculaire, une électrode mal positionnée ou une interférence électrique peuvent contaminer l’enregistrement.
Par exemple, si un modèle est entrainé à partir des EEG de patients atteints de démence qui bougent souvent la tête ou clignent fréquemment les yeux, il risque d’apprendre à reconnaitre ces artefacts plutôt que les véritables signatures cérébrales de la maladie elle-même. Le modèle ne détectera alors pas la pathologie, mais plutôt un comportement parasite. Des données bien nettoyées et préparées en amont permettent d’éviter ce piège et assure que le modèle apprenne les bonnes informations.
- La capacité de généralisation des modèles :
Un autre défi majeur souvent rencontré en IA est la capacité des modèles à généraliser, c’est-à-dire de fonctionner correctement dans des contextes différents de ceux dans lesquels ils ont été entrainés. Un modèle développé dans un hôpital donné, avec un matériel spécifique, un protocole précis et une population particulière, peut perdre en performance lorsqu’il est utilisé ailleurs.
Par exemple, un modèle très efficace dans un centre hospitalier A peut devenir moins précis dans un centre B, simplement parce que le système EEG est différent, que les conditions d’enregistrement ont changé ou que les patients ont des profils légèrement différents. En conclusion, pour rendre les modèles plus robustes, il est intéressant de les entrainer sur des données variées, provenant de plusieurs centres, de systèmes EEG différents et de populations diversifiées.
- Faux positifs et faux négatifs :
On se pose toujours la question suivante : quelles est l’erreur la plus grave ? Détecter une maladie alors qu’elle n’existe pas, ou ne pas détecter une maladie bien présente ?
Pour commencer, définissons ces deux types d’erreurs critiques :
- Faux positif : le modèle détecte la présence d’une maladie alors qu’elle n’existe pas. Cela peut entrainer des examens inutiles, mobiliser des ressources médicales et provoquer le stress voire l’anxiété.
- Faux négatif : le modèle ne détecte pas une maladie existante. Dans ce cas, la prise en charge est retardée, ce qui peut avoir un impact direct sur l’évolution de la pathologie.
Ces deux situations montrent à quel point l’utilisation de l’IA doit être intégrée avec prudence dans la pratique clinique.
- L’explicabilité : comprendre ce qui se passe dans la « boite noire » :
Comprendre pourquoi un modèle à pris telle décision est une étape essentielle pour que les cliniciens puissent faire confiance à l’IA. Or, plusieurs modèles d’apprentissage profond fonctionnent comme des « boites noires » : ils produisent une probabilité de prédiction ou un score, sans que l’on puisse facilement comprendre comment ils sont arrivés à cette conclusion.
Les recherches actuelles cherchent donc à développer des méthodes d’explicabilité capables de montrer, par exemple, quelles régions du cerveau ou quelles parties du signal EEG ont le plus contribué à la décision. Ces approches permettent non seulement de renforcer la confiance des cliniciens, mais aussi de faciliter l’interprétation des résultats et d’éviter l’utilisation aveugle des outils d’IA.
Conclusion
Avec l’IA, l’EEG ne se limite plus à un simple enregistrement, car il devient un outil supplémentaire pour aider les médecins dans leur décision. Grace, à sa capacité d’analyser d’une manière automatique les signaux électriques du cerveau, elle peut contribuer à détecter plus tôt des maladies comme la démence et à suivre l’évolution de manière plus fine.
Cependant, il faut être vigilants. Pour que l’IA soit réellement utile en pratique clinique, plusieurs conditions doivent être vérifiées : des données de qualité, des modèles performants dans différents contextes, et des résultats que les médecins peuvent comprendre et vérifier.
L’IA est un outil puissant, mais elle ne remplace pas les médecins, elle les accompagne. Elle peut améliorer le diagnostic précoce et, à terme, la prise en charge et la qualité de vie des patients.
Bien que cet article se concentre sur les maladies neurodégénératives, les principes présentés ici sont transférables à nombreuses autres pathologies nécessitant l’analyse des signaux cérébraux.
Perspectives
- EEG plus simple : le développement des EEG portables avec une ou quelques électrodes, pourraient faciliter le suivi de l’activité cérébrale, y compris en dehors du cadre hospitalier.
- Multimodalité : combiner l’EEG avec d’autres signaux neurophysiologiques permettrait de renforcer la fiabilité des analyses, en fournissant des informations complémentaires du fonctionnement du cerveau.
- Données ouvertes et protocoles standardisés : le partage des données et l’utilisation de protocoles standardisés sont pertinents pour comparer les résultats entre les études.
Références:
[1] Steinmetz, J. D., Seeher, K. M., Schiess, N., Nichols, E., Cao, B., Servili, C., … & Atalell, K. A. (2024). Global, regional, and national burden of disorders affecting the nervous system, 1990–2021: a systematic analysis for the Global Burden of Disease Study 2021. The Lancet Neurology, 23(4), 344-381.
[2] Biagetti, G., Crippa, P., Falaschetti, L., Luzzi, S., & Turchetti, C. (2021). Classification of Alzheimer’s disease from EEG signal using robust-PCA feature extraction. Procedia Computer Science, 192, 3114-3122.
[3] Lyu, R. Deep Learning Approaches for EEG-Based Healthcare Applications: A Comprehensive Review. Frontiers in Human Neuroscience, 19, 1689073.
[4] Craik, A., He, Y., & Contreras-Vidal, J. L. (2019). Deep learning for electroencephalogram (EEG) classification tasks: a review. Journal of neural engineering, 16(3), 031001.