Un médecin tient dans ses mains une pile d'analyses effectuées à différents moments. Pris isolément, chaque feuillet n'est qu'une photographie d'un jour donné, alors qu'on aimerait voir un film entier sur le développement de la maladie. Le réseau de neurones Tempo apprend à assembler ces images disparates en une séquence fluide.
Les modèles d'événements classiques (EBM) ressemblent à un archéologue qui peut seulement dire qu'un pot est plus ancien qu'une pièce de monnaie, sans savoir de combien de siècles. Tempo fonctionne autrement. Il est entraîné sur des dizaines de milliers d'histoires de patients fictifs, où l'on sait à l'avance dans quel ordre et à quelle vitesse apparaissent les anomalies dans les biomarqueurs (signes mesurables de la maladie). Comme un enfant qui apprend à marcher en tombant d'abord, le réseau de neurones acquiert un flair pour les trajectoires typiques de la maladie.
Sur des tests fictifs, Tempo s'est trompé dans l'ordre des événements deux fois moins souvent que les précédents leaders, et presque trois fois moins dans les cas avec des dizaines de biomarqueurs. Lorsqu'on a donné à l'algorithme des données réelles de patients atteints de la maladie d'Alzheimer (projet ADNI), il a construit la chaîne suivante : d'abord les lobes temporaux du cerveau s'atrophient, puis l'amyloïde s'accumule — une protéine collante qui obstrue l'espace intercellulaire — et ce n'est qu'ensuite que la mémoire faiblit nettement. Aux stades tardifs, une autre protéine, la protéine tau, apparaît, et la destruction du cerveau s'accélère brusquement. Cette séquence correspond à ce que les médecins savaient déjà, mais elle est désormais obtenue sans aucune indication manuelle.
Auparavant, pour chaque nouvelle hypothèse sur l'évolution de la maladie, les scientifiques devaient dériver des formules complexes. Tempo, lui, est comme un appareil photo universel, peu importe ce qu'on photographie : des visages, des paysages ou des microbes. Il passe rapidement en revue différentes suppositions et montre laquelle correspond le mieux aux données. La pile d'analyses dans les mains du médecin se transforme enfin en un véritable film.
tel que rédigé par les auteurs, en anglais arXiv:2604.23368
Event-Based Models (EBMs) infer biomarker progression from cross-sectional data but typically only as ordinal sequences and rely on rigid model assumptions. We propose \textsc{Tempo}, a Transformer architecture that learns both ordinal and continuous event sequences through simulation-based supervised learning. \textsc{Tempo} uses two Transformer modules: one treats biomarkers as tokens to infer event sequencing; the other treats patients as tokens, representing each by their per-biomarker abnormality profile, to infer patients' disease stages. On synthetic benchmarks, \textsc{Tempo} reduces normalized Kendall's Tau distance by 52.89\% and staging MAE by 25.33\% compared to state-of-the-art SA-EBM, with larger reductions in high-dimensional settings (58.88\% and 61.10\%). Applied to ADNI, \textsc{Tempo} recovers a biologically plausible Alzheimer's progression: early medial temporal atrophy, followed by amyloid accumulation and cognitive decline, and late-stage tau pathology with terminal acceleration of global neurodegeneration -- broadly consistent with established disease models. \textsc{Tempo} also eliminates the need to derive custom inference algorithms and enables rapid empirical comparison of generative hypotheses.
Le mot « biomarqueur » semble compliqué, mais en réalité c'est simplement une trace mesurable de la maladie. Le taux de sucre dans le sang est un biomarqueur au même titre que la quantité de protéine nocive dans le liquide céphalorachidien.
L'idée de prédire l'avenir d'un patient à partir de données éparses rappelle « Minority Report » de Philip K. Dick, mais au lieu de trois voyants, c'est un réseau de neurones entraîné sur des millions de simulations qui opère.