Cadre d’apprentissage profond multi-flux intégrant images et représentations de caractéristiques pour prédire le déficit cognitif léger à partir du test de la figure complexe de Rey

Pourquoi le dessin peut révéler des problèmes de mémoire cachés

À mesure que l’espérance de vie augmente, beaucoup s’inquiètent de légers troubles de la mémoire et de savoir s’ils indiquent les premiers stades de la démence. Les médecins utilisent depuis longtemps de simples tests papier-crayon consistant à faire dessiner des figures pour évaluer la pensée et la mémoire : rapides, peu coûteux et faciles à administrer en consultation. Cette étude montre comment l’intelligence artificielle moderne peut extraire bien plus d’informations d’un test de dessin classique, le transformant en un outil d’alerte précoce performant pour le déficit cognitif léger, une affection qui précède souvent la démence.

Une figure classique vue par des yeux numériques

Une épreuve largement utilisée est le test de la figure complexe de Rey. On demande d’abord à la personne de copier un dessin linéaire abstrait et détaillé, puis plus tard de le reproduire de mémoire. Traditionnellement, des experts notent chaque dessin sur une échelle de 36 points, en jugeant l’exactitude de la position et de la forme des différentes parties. Ces scores offrent un instantané utile des capacités visuospatiales et de la mémoire visuelle, mais ils négligent inévitablement de nombreuses caractéristiques subtiles du dessin. Les auteurs de cet article ont cherché à construire un système automatisé capable d’analyser l’image entière, de la combiner avec le score habituel et des informations de base telles que l’âge, le sexe et les années d’éducation, puis de déterminer si une personne présente probablement un déficit cognitif léger.

Deux voies pour lire un dessin

Les chercheurs ont conçu un modèle d’apprentissage profond « à deux flux » qui traite simultanément les dessins d’une personne de deux manières différentes. Dans la première voie, appelée flux spatial, les images numérisées brutes des trois dessins (la copie, le rappel immédiat et le rappel différé) sont introduites dans un réseau de reconnaissance d’images. Ce réseau, basé sur une architecture connue sous le nom d’EfficientNet, apprend automatiquement des caractéristiques visuelles comme les formes, l’épaisseur des traits et le style de dessin. Un module d’attention spécial aide ensuite le système à se concentrer davantage sur les régions les plus informatives du dessin. Dans la seconde voie, appelée flux de notation, le modèle intègre les scores habituels du test de Rey — générés automatiquement par un réseau de notation préalablement entraîné — ainsi que l’âge, le sexe et le niveau d’études de la personne. Ces données structurées sont combinées via un réseau de prédiction plus simple. Enfin, les sorties des deux flux sont moyennées pour produire une probabilité unique que la personne présente un déficit cognitif léger plutôt qu’une cognition normale.

Apprendre auprès de nombreux adultes âgés

Pour entraîner et tester leur système, l’équipe a utilisé les dessins de 1 740 adultes âgés issus d’une large cohorte de recherche coréenne, environ la moitié présentant une cognition normale et l’autre moitié un déficit cognitif léger. Ils ont divisé à plusieurs reprises cet ensemble de données en jeux d’entraînement, de validation et de test pour ajuster le modèle et se protéger contre le surapprentissage. De façon cruciale, ils ont également évalué les performances sur un groupe indépendant de 222 patients provenant d’un autre hôpital. Avant de construire des modèles prédictifs sur cet ensemble externe, ils ont utilisé leur outil de notation automatisé pour vérifier les divergences importantes entre les scores machine et humains ; en cas de désaccords majeurs, des experts ont revu et corrigé leurs évaluations. Cette étape de contrôle qualité a amélioré la concordance entre évaluations humaines et automatisées, resserrant le lien entre les évaluations manuelles et celles de l’IA.

Quelle est l’efficacité du système pour repérer les déficits précoces

Les chercheurs ont comparé leur modèle à deux flux avec plusieurs alternatives : des modèles statistiques simples utilisant un test bref courant de cognition générale, des modèles n’utilisant que les scores humains du test de Rey, des modèles n’utilisant que les scores générés par l’IA, et un modèle d’apprentissage profond ne prenant en compte que les images sans le flux de notation. Dans de nombreuses répétitions au sein de la cohorte principale et dans le groupe hospitalier externe, le système combiné à deux flux s’est systématiquement montré supérieur. Dans le test externe, il a atteint une aire sous la courbe ROC de 0,872 et une précision globale d’environ 78 % , dépassant à la fois les modèles traditionnels basés sur la notation et le réseau profond ne traitant que les images. Ces gains suggèrent que la combinaison d’un riche détail visuel et d’informations structurées de notation fournit une image plus stable et plus fiable des changements cognitifs précoces.

Ce que cela pourrait signifier pour les cliniques de tous les jours

Du point de vue du patient, rien au test n’a besoin de changer : il s’assoit toujours avec un crayon et du papier pour copier une figure complexe. En coulisses, cependant, un scanner et le système d’IA peuvent désormais évaluer les dessins en quelques secondes, générer des scores standardisés et estimer le risque de déficit cognitif léger avec plus de précision que de nombreux outils de dépistage rapides existants. Parce qu’il ne nécessite qu’un test familier unique plus des informations de base routinières, la méthode pourrait être intégrée dans des centres d’examen chargés sans perturber significativement le flux. Bien que l’étude se soit concentrée sur des participants coréens et n’ait utilisé que des images statiques, l’approche ouvre la voie à un avenir où de simples dessins, interprétés par un logiciel intelligent, aident à détecter précocement des problèmes cognitifs subtils, suffisamment tôt pour envisager des interventions utiles.

Citation: Park, J., Seo, E.H., Kim, S. et al. Multi-stream deep learning framework integrating images and feature representations to predict mild cognitive impairment using the rey complex figure test. Sci Rep 16, 9629 (2026). https://doi.org/10.1038/s41598-025-34491-5

Mots-clés: déficit cognitif léger, test de la figure complexe de Rey, dépistage par apprentissage profond, évaluation cognitive, prévention de la démence