Un vieil atlas routier est posé sur la table. Sur ses pages, des lignes relient les villes, et l'épaisseur des traits indique l'intensité du trafic. Un réseau de neurones examine une telle carte et annonce l'âge de la voiture qui l'a parcourue. C'est à peu près ainsi que fonctionne le modèle entraîné à prédire l'âge d'une personne à partir de la carte des connexions de son cerveau.
À la place des villes, cette carte comporte 84 régions du cerveau, et à la place des routes, des faisceaux de fibres nerveuses qui les relient. L'épaisseur de chaque connexion dépend du nombre de fibres qui la traversent. On appelle cette carte le connectome. Elle est construite à partir d'images d'IRM de diffusion, qui montrent comment l'eau se déplace le long des voies nerveuses.
Les chercheurs ont entraîné de tels modèles sur les données de quatre groupes de participants différents : des personnes âgées en bonne santé, des patients atteints de la maladie d'Alzheimer et des personnes présentant des troubles cognitifs légers. Au total, 1093 sessions d'IRM. Pour chaque groupe, le modèle a été entraîné séparément, car les scanners et les protocoles d'acquisition différaient.
La précision de la prédiction de l'âge s'est révélée variable : dans un groupe, le modèle se trompait en moyenne de 4,7 ans, dans un autre de 9,75 ans. Mais l'essentiel n'était pas l'âge en lui-même, plutôt la différence entre l'âge prédit et l'âge réel. On l'a appelée écart d'âge. Si le modèle dit que le cerveau a 70 ans alors que la personne en a 65, cela signifie que le cerveau paraît plus vieux que son âge.
Le problème, c'est que l'écart d'âge comporte un biais systématique : chez les jeunes, le modèle se trompe plus souvent dans un sens, chez les personnes âgées dans l'autre. Les chercheurs ont donc soustrait de l'écart la tendance attendue pour obtenir l'écart corrigé, ou cBAG. C'est précisément lui qui s'est révélé lié à l'intégrité de la substance blanche. Dans trois groupes sur quatre, les personnes présentant un cBAG plus élevé avaient une anisotropie fractionnaire plus faible dans l'hippocampe, une région importante pour la mémoire.
Dans l'analyse longitudinale, où les mêmes personnes ont été scannées plusieurs fois, un cBAG initial plus élevé prédisait une baisse ultérieure de l'anisotropie fractionnaire et de l'efficacité locale du réseau. Autrement dit, un cerveau qui paraît plus vieux perd effectivement plus vite la qualité de son câblage.
Le plus difficile a été le transfert du modèle d'un groupe à l'autre. Lorsqu'un modèle entraîné sur un groupe était appliqué à un autre, l'erreur d'âge atteignait 80 ans. Le modèle pouvait « vieillir » une personne de près d'un siècle. Après une recalibration linéaire, l'erreur tombait à 8 ans, mais le classement des personnes selon leur âge ne se rétablissait toujours pas. Cela signifie que le modèle capte certaines particularités du scanner concerné, et pas seulement la biologie.
Le vieil atlas est de nouveau sur la table. On voit maintenant que ses lignes ne sont pas de simples routes, mais l'histoire de leur usure. Le réseau de neurones lit cette histoire, mais il doit apprendre sur des cartes dessinées par un seul cartographe, pour ne pas confondre le style du dessin avec l'état des routes.
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.