Une récente étude publiée dans Scientific Reports a utilisé des algorithmes d’apprentissage automatique pour classer les troubles dépressifs majeurs (TDM) à partir de données de neuroimagerie. Les chercheurs ont cherché à identifier des biomarqueurs fiables pour le diagnostic et le traitement des TDM.
Les TDM sont des affections mentales prévalentes ayant un impact sociétal important. Ils sont associés à un risque accru de suicide et à une réduction de la qualité de vie. Un diagnostic précoce et un traitement sont essentiels pour prévenir un vieillissement accéléré du cerveau et une résistance thérapeutique.
Traditionnellement, le diagnostic des TDM repose sur des symptômes auto-déclarés, ce qui comporte un risque de diagnostic erroné. Les comorbidités et les symptômes chevauchants compliquent davantage le diagnostic précis et le traitement efficace.
Les techniques de neuroimagerie avancées, telles que l’imagerie par résonance magnétique (IRM), permettent l’examen des changements corticaux et sous-corticaux associés aux TDM. Cependant, les petites tailles d’effet et l’analyse au niveau du groupe limitent leur application clinique.
L’étude a inclus des patients atteints de TDM et des sujets témoins en bonne santé provenant de plusieurs cohortes. Les chercheurs ont utilisé des algorithmes d’apprentissage automatique, tels que les machines à vecteurs de support et la régression logistique, pour classer les individus en fonction des caractéristiques corticales et sous-corticales extraites des scans IRM.
Les résultats ont montré que les modèles d’apprentissage automatique avaient une capacité limitée à distinguer les patients atteints de TDM des individus en bonne santé. Le taux de précision équilibrée le plus élevé atteint était d’environ 62% lorsque les données étaient divisées par âge et sexe, et d’environ 51% lorsque les données étaient divisées par site. Les techniques d’harmonisation des données n’ont pas amélioré de manière significative les performances des modèles.
Ces résultats suggèrent que les algorithmes d’apprentissage automatique courants, lorsqu’ils sont appliqués aux données de structure cérébrale, ne peuvent pas diagnostiquer de manière fiable les TDM. Les chercheurs ont souligné la nécessité de mener d’autres études pour explorer des algorithmes plus sophistiqués qui pourraient offrir de meilleures performances.
Ces résultats mettent en évidence la complexité du diagnostic des TDM et l’importance de prendre en compte plusieurs facteurs au-delà des seules données de neuroimagerie. Des outils de diagnostic améliorés et des biomarqueurs sont essentiels pour une intervention précoce et un traitement personnalisé des personnes atteintes de TDM.
The source of the article is from the blog elblog.pl