Les modèles d’apprentissage profond identifient les changements cérébraux pendant la progression de la maladie d’Alzheimer

Pourquoi il est important de suivre l’évolution du cerveau dans le temps

La maladie d’Alzheimer prive progressivement les personnes de leur mémoire et de leurs capacités de réflexion, mais les lésions cérébrales s’accumulent des années avant que les symptômes quotidiens ne deviennent évidents. Les médecins s’appuient généralement sur une seule image cérébrale ou un seul test pour juger si une personne a Alzheimer, alors que la maladie se déploie dans le temps. Cette étude pose une question simple aux conséquences importantes : si l’on suit les IRM cérébrales de personnes sur plusieurs années et que l’on laisse un modèle informatique avancé apprendre à partir de ces changements, peut-on non seulement détecter Alzheimer plus précisément, mais aussi voir quelles régions cérébrales sont atteintes en premier et le plus sévèrement ?

Suivre l’histoire du cerveau, pas seulement un instantané

Les chercheurs ont utilisé des scans IRM structurelle, qui montrent l’anatomie cérébrale en détail, provenant de plus de 280 adultes âgés, incluant des personnes atteintes d’Alzheimer et des pairs cognitivement normaux. De façon cruciale, chaque personne disposait de trois scans réalisés à environ un an d’intervalle, ce qui a permis à l’équipe de suivre l’évolution du tissu cérébral sur deux ans. Plutôt que de traiter chaque scan comme une image isolée, ils ont construit un modèle d’apprentissage profond qui prend en compte tous les points temporels ensemble. Le modèle a été conçu pour porter attention à la matière grise — le tissu cérébral riche en corps cellulaires neuronaux — ainsi qu’à la matière blanche et au liquide céphalorachidien, et pour apprendre comment les motifs dans ces tissus évoluent à mesure que la maladie progresse.

Un modèle d’apprentissage profond accordé aux rythmes du cerveau

Pour capturer ces déplacements subtils, l’équipe a créé un Multi-Branch Fusion Channel Attention Network, un réseau de neurones convolutionnel 3D qui traite des volumes IRM plutôt que des images planes. Des branches séparées prennent en charge différents tissus ou points temporels puis fusionnent leurs informations, tandis qu’un mécanisme d’« attention » aide le modèle à se concentrer sur les régions les plus informatives en trois dimensions. Principalement entraîné sur des données de matière grise, le réseau a appris à distinguer les cerveaux atteints d’Alzheimer de ceux du vieillissement normal avec environ 93 % de précision et une spécificité parfaite sur un jeu de données, surpassant plusieurs méthodes d’IA existantes. Il a aussi bien généralisé à un jeu de données australien indépendant, ce qui suggère qu’il ne se contente pas de mémoriser les particularités d’une seule étude mais capture des signaux plus larges de la maladie.

Voir quelles régions cérébrales font pencher la balance

Une haute précision ne suffit pas en médecine ; les cliniciens doivent comprendre ce qui motive les décisions d’un modèle. Les chercheurs ont donc utilisé une technique d’interprétabilité appelée SHAP, qui attribue un score d’importance à chaque minuscule pixel tridimensionnel — ou voxel — de l’IRM. Regrouper ces voxels en régions anatomiques a révélé un tableau dynamique de la maladie. Tôt dans l’évolution, l’amygdale, une région impliquée dans l’émotion et la mémoire, s’est distinguée comme particulièrement importante pour différencier les patients des pairs sains. Avec le temps, l’hippocampe, le gyrus parahippocampique et surtout les parties postérieures du lobe temporal ont gagné en influence, tandis que le rôle relatif de l’amygdale diminuait. Au bout de deux ans, les différences entre patients et témoins étaient beaucoup plus nettes et concentrées, en particulier dans l’hémisphère gauche.

Des motifs qui correspondent aux symptômes et aux scores cliniques

Pour vérifier que l’attention du modèle correspondait bien à la biologie, l’équipe a réalisé des analyses traditionnelles de volumes cérébraux et des tests statistiques. Ils ont constaté que la matière grise dans les régions mises en évidence s’atrophiait plus rapidement chez les personnes atteintes d’Alzheimer que chez les adultes vieillissant normalement, et que des volumes plus faibles dans ces zones étaient étroitement corrélés à de moins bons scores aux tests cognitifs standard tels que le Mini-Mental State Examination et le Clinical Dementia Rating. Le chemin des lésions — des structures temporales internes vers les zones postérieures liées au langage et aux associations — reflétait les schémas de stadification pathologique classiques pour Alzheimer. Un biais du côté gauche est également apparu, cohérent avec la dominance cérébrale pour le langage et certaines fonctions mnésiques de ce côté. La morphométrie basée sur les voxels a montré que les changements précoces étaient disséminés et petits, puis devinrent plus étendus et concentrés dans les régions temporales postérieures et frontales à mesure que la maladie progressait.

Ce que cela signifie pour les patients et les médecins

Pour les non-spécialistes, la leçon principale est que la maladie d’Alzheimer n’agit pas comme un simple interrupteur marche/arrêt dans le cerveau ; elle suit une trajectoire ordonnée mais accélératrice, laissant des empreintes distinctes au fil du temps. En apprenant à un modèle d’apprentissage profond non seulement où le cerveau diffère, mais comment ces différences s’amplifient sur plusieurs années, cette étude propose un moyen de détecter Alzheimer plus précisément et plus tôt dans son évolution. Elle identifie aussi un petit ensemble de régions cérébrales — notamment l’amygdale, l’hippocampe, le gyrus parahippocampique et le cortex temporal postérieur — dont la taille et la structure changeantes sont étroitement liées au déclin cognitif. Bien que des travaux supplémentaires soient nécessaires, en particulier avec d’autres modalités d’imagerie et des ensembles de données plus larges, cette approche rapproche l’utilisation d’IRM temporelles et d’IA interprétable comme outils pratiques pour le diagnostic précoce, le suivi et, finalement, l’orientation des interventions contre la maladie d’Alzheimer.

Citation: Sun, J., Han, JD.J. & Chen, W. Deep learning models identify brain changes during the progression of Alzheimer’s disease. npj Syst Biol Appl 12, 42 (2026). https://doi.org/10.1038/s41540-026-00666-7

Mots-clés: Maladie d’Alzheimer, IRM cérébrale, apprentissage profond, imagerie longitudinale, neurodégénérescence