La maladie d'Alzheimer touche environ 50 millions de personnes dans le monde, mais les médicaments qui agissent sur les mécanismes précoces sont presque inexistants. La rapamycine, un médicament approuvé par la FDA, ralentit le vieillissement et protège les neurones, mais son effet est difficile à évaluer en raison de nombreux facteurs : génétique, métabolisme, inflammation, vaisseaux. Les modèles d'IA traditionnels dans ce domaine posent généralement un diagnostic plutôt que de prédire la réponse à un traitement. Ce travail se démarque des études voisines, qui se concentrent sur la classification de la maladie d'Alzheimer à partir d'IRM ou de données génétiques, et applique pour la première fois une approche multimodale à la prédiction du traitement par rapamycine.
Les auteurs ont rassemblé les données de 23 patients âgés de 40 à 60 ans du Missouri, chacun ayant fait l'objet de deux mesures : avant et après le traitement. Huit types de données comprenaient l'IRM structurelle, l'imagerie de perfusion, les marqueurs d'inflammation, les métabolites sanguins, le débit sanguin cérébral, le microbiome, l'analyse sanguine complète et les données démographiques. D'abord, une forêt aléatoire a sélectionné les 27 caractéristiques tabulaires les plus importantes, en conservant au moins trois par modalité. Ensuite, des encodeurs distincts ont transformé chaque type de données en plongements, alignés par apprentissage contrastif : les caractéristiques d'un même patient se rapprochaient, celles de patients différents s'éloignaient. Enfin, un transformeur a intégré les plongements et prédit le statut du traitement. Pour l'évaluation, les auteurs ont utilisé une répartition par patient : 16 pour l'entraînement, 3 pour la validation, 4 pour le test, et ils ont répété l'opération 10 fois avec des répartitions différentes.
Sans filtrage des caractéristiques, le modèle atteignait environ 50 % de précision, soit le niveau du hasard. Après l'ajout de la forêt aléatoire, la précision moyenne est montée à 71,25 % sur 10 exécutions. Les résultats variaient de 50 % à 87,5 % selon la répartition. Parmi les caractéristiques retenues dominaient les indicateurs de l'analyse sanguine complète (RDW CV %) et le marqueur inflammatoire MIP-1α. Les métabolites sanguins ont fourni 14 des 27 caractéristiques, bien qu'ils soient plus faibles pris isolément. L'analyse SHAP a confirmé que le sang et l'inflammation apportent la plus grande contribution aux prédictions, tandis que la démographie est presque sans importance. L'IRM et le microbiome ajoutaient une information modérée, mais utile.
Ce travail se distingue des études voisines par le fait qu'au lieu de diagnostiquer la maladie d'Alzheimer, il prédit la réponse à un traitement précis, en combinant huit sources de données hétérogènes. Les travaux voisins de l'archive se concentrent sur la classification des stades de la maladie à partir d'images cérébrales ou de marqueurs génétiques, alors qu'ici on vérifie pour la première fois s'il est possible de capter l'effet d'un traitement sur un petit échantillon. Le succès du filtrage des caractéristiques montre que, lorsque le nombre de patients est faible, l'essentiel n'est pas tant la complexité du modèle que le nettoyage des données d'entrée pour éliminer le bruit. Cela ouvre la voie à la recherche de biomarqueurs de réponse à la rapamycine et à la personnalisation des traitements.
Le sujet pourrait évoluer vers un échantillon plus large et l'inclusion de populations plus diverses, car les patients actuels sont majoritairement d'origine européenne. L'ajout de données longitudinales permettrait de modéliser les effets à long terme du traitement, et pas seulement un décalage à court terme. Des études d'ablation sont également envisageables pour comparer différentes méthodes de sélection des caractéristiques et différentes architectures. L'analyse de régions cérébrales précises avant et après le traitement pourrait révéler des corrélats neuroanatomiques de la réponse.
La méthode peut être utile dans les essais cliniques pour stratifier les patients et identifier ceux qui ont la plus grande probabilité de répondre au traitement. Elle est aussi applicable à d'autres maladies neurodégénératives et troubles liés à l'âge, où les biomarqueurs systémiques comptent.
L'étape suivante consiste à valider la méthode sur une cohorte plus grande et plus diverse, ainsi qu'à vérifier la reproductibilité des caractéristiques sélectionnées. Il est utile de réaliser une ablation pour comprendre la contribution de chaque étape : filtrage, apprentissage contrastif et transformeur.
Dans le domaine de l'IA médicale, le problème des petits échantillons et des données de grande dimension reste non résolu, les modèles ayant tendance au surapprentissage. Ce travail propose une astuce concrète : filtrer les caractéristiques par forêt aléatoire avant l'apprentissage profond, ce qui peut être généralisé à d'autres tâches portant sur de petits ensembles de patients.
La rapamycine a été isolée pour la première fois à partir d'une bactérie trouvée dans le sol de l'île de Pâques (Rapa Nui), d'où son nom. Le médicament inhibe la voie de signalisation mTOR, qui régule la croissance cellulaire et le vieillissement, et prolonge la vie des souris de 10 à 15 %.
L'idée de prédire la réaction de l'organisme à un médicament à partir de multiples signaux biologiques fait écho au roman de Frank Herbert « Dune », où les médecins utilisent des systèmes de diagnostic complexes pour évaluer l'état d'une personne. Toutefois, contrairement à la science-fiction, il s'agit ici de données réelles de sang et de cerveau.
Non publié sur arXiv. Voici sa page, le PDF et la formalisation : vous pouvez vérifier vous-même, pas seulement lire notre analyse.