Ce nouvel algorithme d’intelligence artificielle (IA), développé par des neuroscientifiques de l’Université de Californie du Sud (USC) est capable de détecter les crises d’épilepsie en analysant les interactions cérébrales. Le modèle, présenté lors de la Réunion scientifique Advances in Knowledge Discovery and Data Mining apporte une amélioration significative dans la détection des crises, et, en particulier le diagnostic des cas d’épilepsie rares et complexes.
Alors que 65 millions de personnes dans le monde souffrent d'épilepsie, et de crises, qu’1 personne sur 26 souffrira d’épilepsie à un moment donné de sa vie, qu’1 personne épileptique sur 1.000 décède chaque année, il est grand besoin d’un outil permettant de mieux diagnostiquer et de prédire les crises. Comme pour de nombreuses pathologies en effet, le traitement de l’épilepsie commence par sa détection précoce. Cependant, aujourd’hui on estime que :
70 % des personnes épileptiques pourraient vivre sans crises
si elles étaient correctement diagnostiquées et traitées.
Au fil des années, des techniques d’apprentissage automatique ont été développées pour détecter et classer les crises à partir de signaux d’électroencéphalographie (EEG) capturés à l’aide d’électrodes sur le cerveau, l’IA permettant d’identifier des corrélations dans les réseaux neuronaux, trop complexes pour les humains. Cependant, ces systèmes, qui s’appuient sur des données existantes pour s’améliorer, ont, par définition, plus de mal à détecter les cas les moins courants donc les formes rares d’épilepsie. L’un des auteurs principaux, Cyrus Shahabi, professeur d'informatique, de génie électrique et de sciences de l’espace, explique ainsi que « les techniques existantes ont une faible précision dans la détection des formes rares pour lesquelles les données sont logiquement très limitées ».
L’étude : l’équipe de l’USC propose un système d’IA pour identifier l’épilepsie en analysant les interactions cérébrales, ce qui permet d’améliorer le diagnostic des cas rares et complexes de 12 % par rapport aux modèles existants. Le « secret » de ce nouveau système est d’intégrer plusieurs sources de données généralement négligées par les autres systèmes d'IA de détection de l'épilepsie et d’élargir le champ des régions cérébrales surveillées à l’EEG. Avec ce nouvel outil,
il devient également possible d’identifier des modèles ou des caractéristiques qui permettent de prédire la survenue des crises.
Cette technique aide également le système à générer des résultats précis avec moins de données, y compris, justement, pour les formes plus rares d’épilepsie.
L’exemple des crises atoniques, un type rare de crise qui touche souvent les enfants et déclenche une perte soudaine de contrôle musculaire et un effondrement : le système permet de les identifier en analysant les relations spatiales dans différentes régions du cerveau, en se concentrant sur les zones cérébrales impliquées dans le contrôle musculaire, telles que le cortex moteur, les noyaux gris centraux, le cervelet et le tronc cérébral. Le système a donc, à la différence des systèmes existants, été conçu pour prendre en compte, être alimenté et traiter les caractéristiques pertinentes de ce type de crises.
L’objectif n’est pas de remplacer les médecins,
précisent les chercheurs, mais de compléter leur expertise dans les cas difficiles à détecter.
D’autres experts relèvent que ce nouveau modèle d’IA pourrait « changer la donne » en neurologie clinique : « les enregistrements de l'activité cérébrale sont extrêmement complexes. Ce développement concilie la puissance de l’IA un spectre plus large de données pour détecter des modèles qu’un humain aurait du mal à identifier ».
Les chercheurs espèrent, à terme, pouvoir intégrer la technologie à des capteurs portables qui transmettront les informations à un smartphone, qui pourrait déclencher une alerte s’il détecte des irrégularités dans les ondes cérébrales.
Source : Advances in Knowledge Discovery and Data Mining (Conference paper) 10 May, 2024 DOI : 10.1007/978-981-97-2238-9_16 Dynamic GNNs for Precise Seizure Detection and Classification from EEG Data
Plus sur l’Epilepsie
Laisser un commentaire