Les modèles d'âge cérébral sont généralement évalués sur leur précision de prédiction, mais cela ne suffit pas pour un biomarqueur clinique : il faut corriger le biais lié à l'âge, démontrer la validité biologique, assurer l'interprétabilité et résister au transfert entre échantillons. Dans l'archive, plusieurs travaux voisins portent sur les cartes cérébrales du vieillissement, la reconfiguration dans la maladie d'Alzheimer et les interfaces neuronales à géométrie riemannienne, mais aucun ne réunit toutes ces exigences dans un seul pipeline fondé sur une représentation par graphe du connectome. Cette étude s'inscrit dans la recherche générale de biomarqueurs fiables du vieillissement, mais se distingue par la rigueur de sa vérification : elle sépare la précision de prédiction de l'interprétation biologique et teste explicitement la transférabilité entre cohortes.
Les IRM de diffusion de quatre cohortes (ADNI, Duke/UNC ADRC, HABS-HD, AD-DECODE) ont été traitées en connectomes : 84 régions cérébrales sont devenues les nœuds du graphe, et les connexions entre elles les arêtes, pondérées par le nombre de faisceaux. Pour chaque cohorte, un réseau de neurones sur graphes a été entraîné séparément, avec trois couches de passage de messages et une prise en compte des poids des arêtes. Cinq ensembles de caractéristiques ont été évalués : imagerie seule, imagerie plus démographie, imagerie plus biomarqueurs, ensemble complet, et ensemble complet sans les variables cardiovasculaires. Pour une évaluation honnête, une validation croisée avec regroupement par participant a été utilisée, afin qu'aucune session d'une même personne ne se retrouve à la fois dans l'entraînement et dans la validation. Les prédictions brutes d'âge ont servi aux métriques de précision, tandis que l'écart corrigé de la tendance liée à l'âge (cBAG) a servi aux analyses biologiques et longitudinales.
La précision de prédiction dépendait davantage de la cohorte que de l'ensemble de caractéristiques : l'erreur absolue moyenne allait de 4.70 ans dans HABS-HD à 9.75 ans dans AD-DECODE. Le réseau de neurones sur graphes n'a pas surpassé les modèles classiques (Ridge, ElasticNet, XGBoost) sur les mêmes caractéristiques vectorielles, mais il conservait la structure du réseau pour l'interprétation. L'écart corrigé cBAG était corrélé de façon robuste à une baisse de l'anisotropie fractionnaire de la substance blanche : dans trois cohortes, le lien avec la FA hippocampique était significatif (r de −0.15 à −0.44). Dans l'analyse longitudinale d'ADNI, un cBAG initial plus élevé prédisait une baisse ultérieure de la FA et de l'efficacité locale (β jusqu'à −0.285, q = 0.0016). Le transfert des modèles entre cohortes a produit des erreurs énormes (MAE jusqu'à 80.57 ans), mais une recalibration linéaire a réduit la MAE externe médiane de 17.39 à 8.22 ans, sans améliorer la corrélation des rangs (restée à 0.171).
Ce travail montre que l'âge cérébral tiré du connectome peut être un biomarqueur pertinent si l'on distingue la précision de prédiction de l'interprétation biologique. Contrairement aux travaux voisins, souvent limités à la précision ou à une seule cohorte, il vérifie systématiquement la correction du biais, la stabilité longitudinale et la transférabilité. Conclusion principale : le cBAG reflète avant tout l'intégrité de la substance blanche, et non le statut cognitif ou le risque génétique, et sa valeur ne réside pas dans la classification d'une maladie mais dans le suivi de la trajectoire individuelle du vieillissement.
Le domaine pourrait évoluer vers l'harmonisation des connectomes entre scanners et protocoles, ainsi que vers des méthodes d'adaptation de domaine pour le transfert des modèles. La fusion des données de plusieurs centres en apprentissage fédéré est prometteuse pour accroître la diversité des échantillons sans compromettre la confidentialité. Une autre piste consiste à vérifier la stabilité des attributions SHAP lors d'un réentraînement et sur des données indépendantes, afin de comprendre quelles connexions comptent vraiment pour le vieillissement.
Les résultats influenceront le développement de biomarqueurs du vieillissement pour les essais cliniques et la neurosciences des populations, où l'on a besoin de mesures résistantes aux changements d'équipement et de composition des participants. La méthodologie d'évaluation de la transférabilité et de la calibration servira dans tout projet d'apprentissage automatique sur l'imagerie médicale.
L'étape suivante consiste à entraîner un modèle sur des données harmonisées et regroupées de plusieurs cohortes, et à vérifier si la transférabilité externe s'améliore. Il faudrait aussi évaluer la stabilité des attributions SHAP par rééchantillonnage bootstrap et sur des ensembles indépendants.
Ce travail touche directement à un problème non résolu en neuroimagerie : comment distinguer un véritable signal biologique du vieillissement des artefacts de collecte des données et des biais systématiques du modèle. Il montre que, même avec une bonne précision interne, le transfert vers une autre cohorte peut anéantir la capacité prédictive, et qu'une simple recalibration ne suffit pas à restaurer les différences individuelles. Cela pose la question de savoir quelles propriétés du connectome sont réellement transférables d'une population à l'autre.
Lorsqu'on transférait un modèle entraîné sur la cohorte AD-DECODE vers d'autres cohortes, l'erreur de prédiction de l'âge atteignait 80 ans : le modèle pouvait donc « vieillir » une personne de près d'un siècle. Après recalibration linéaire, l'erreur tombait à 8 ans, mais l'ordre des personnes selon l'âge n'était toujours pas rétabli.
L'idée d'un âge biologique distinct de l'âge chronologique fait écho à La Machine à explorer le temps de H. G. Wells, où le temps s'écoule de façon inégale selon les êtres. Ici, le cerveau de chacun vieillit à son propre rythme, et le modèle tente de saisir cette trajectoire individuelle à travers la structure des connexions.
Non publié sur arXiv. Voici sa page, le PDF et la formalisation : vous pouvez vérifier vous-même, pas seulement lire notre analyse.