Classification des maladies d’Alzheimer et des démences frontotemporales à partir de l’EEG en utilisant la connectivité fonctionnelle

Pourquoi les motifs des ondes cérébrales ont de l’importance

La démence affecte des millions de familles, mais même les médecins peuvent avoir du mal à distinguer ses formes. La maladie d’Alzheimer et la démence frontotemporale se ressemblent souvent en consultation, alors qu’elles exigent des plans de prise en charge et des essais cliniques différents. Cette étude pose une question simple mais puissante : peut‑on utiliser un test cérébral rapide et non invasif — l’électroencéphalographie (EEG) — pour lire les schémas de communication du cerveau au repos et aider à distinguer ces affections du vieillissement sain, et entre elles ?

Regarder les conversations cérébrales, pas seulement l’activité

L’EEG mesure habituellement l’intensité des ondes cérébrales dans différentes bandes de fréquence, comme les ondes lentes delta ou les ondes plus rapides alpha. Ici, les chercheurs sont allés plus loin en examinant comment différentes régions du cerveau « se parlent ». Ils ont utilisé des enregistrements de 88 personnes : 36 atteintes de la maladie d’Alzheimer, 23 de démence frontotemporale et 29 personnes âgées en bonne santé. Avec 19 électrodes scalpaires, ils ont enregistré l’activité cérébrale au repos, yeux fermés, puis ont découpé chaque enregistrement en nombreux segments temporels courts. Pour chaque segment et plusieurs bandes de fréquence, ils ont calculé une série de mesures de connectivité — des descriptions mathématiques de la façon dont différentes voies EEG sont liées dans le temps, la fréquence et la phase.

Apprendre aux algorithmes à repérer les motifs de démence

Pour transformer ces cartes de connectivité en prédictions, l’équipe a entraîné un grand ensemble de modèles d’apprentissage automatique de base, chacun axé sur une combinaison donnée de bande de fréquence et de mesure de connectivité. Ces modèles de base utilisaient des outils mathématiques spécialisés pour comparer les motifs de connectivité entre individus. Les sorties de tous les modèles de base ont ensuite été alimentées dans un modèle de niveau supérieur « empilé » qui tentait d’apprendre quelles combinaisons de caractéristiques étaient les plus informatives. Fait crucial, les chercheurs ont évalué la performance au niveau pertinent cliniquement : un diagnostic unique par personne. Ils ont utilisé un protocole de test strict qui gardait toujours les données d’une personne entièrement séparées des données d’entraînement, réduisant le risque de résultats excessivement optimistes dus à des fuites subtiles de données.

Ce que les ondes cérébrales ont révélé — et ce qu’elles n’ont pas révélé

Les motifs de connectivité ont aidé à séparer les personnes atteintes de démence des volontaires sains. Pour la maladie d’Alzheimer versus témoins sains, certaines caractéristiques de connectivité individuelles ont atteint des scores d’aire sous la courbe supérieurs à 85 %, ce qui signifie qu’elles classaient assez bien les personnes malades. Il en a été de même, bien que légèrement moins net, pour la démence frontotemporale versus le vieillissement sain. Les signaux les plus informatifs dans les deux cas provenaient de la bande alpha, un rythme lié à l’éveil détendu qui est souvent perturbé dans la démence. En revanche, distinguer la maladie d’Alzheimer de la démence frontotemporale s’est révélé beaucoup plus difficile. Les meilleures mesures pour cette tâche provenaient de la bande delta lente et n’atteignaient qu’une précision modeste, suggérant que les deux maladies partagent nombre des mêmes perturbations des réseaux à grande échelle dans ces enregistrements EEG.

Quand une complexité accrue n’apporte pas de meilleures réponses

Une promesse des méthodes d’ensemble est que la combinaison de nombreux prédicteurs faibles peut produire un modèle plus solide et plus fiable. Dans cette étude, toutefois, l’ensemble empilé n’a pas surpassé les meilleures caractéristiques de connectivité individuelles. En fait, les meilleurs modèles autonomes étaient souvent légèrement supérieurs. Des analyses supplémentaires ont montré que de nombreux modèles de base commettaient des erreurs de même nature, si bien que l’ensemble disposait de peu d’informations vraiment nouvelles à exploiter. Les auteurs ont également testé différentes façons de mesurer les distances entre matrices de connectivité, y compris des méthodes géométriques de « variété » avancées, mais ont trouvé peu d’avantage par rapport à des approches plus simples pour ce problème diagnostique entre personnes.

Ce que cela signifie pour les patients et les cliniciens

Pour les personnes confrontées à des troubles de la mémoire ou du comportement, ces résultats offrent un optimisme prudent. L’EEG au repos, test rapide, peu coûteux et largement disponible, capture des signatures significatives de la démence dans la façon dont les régions cérébrales se connectent entre elles. Dans le même temps, le travail souligne que des mathématiques ingénieuses ne suffisent pas à démêler complètement des maladies étroitement apparentées lorsque les données sont limitées et que les modifications cérébrales se chevauchent. Les auteurs soutiennent que des caractéristiques EEG interprétables et soigneusement choisies, évaluées par des tests stricts au niveau du sujet, peuvent être plus fiables que des modèles très complexes. Les progrès futurs, suggèrent‑ils, viendront probablement de la combinaison de la connectivité EEG avec d’autres biomarqueurs tels que l’imagerie cérébrale, les analyses sanguines et les profils cognitifs, pour construire des outils de diagnostic des différentes formes de démence plus précis et dignes de confiance.

Citation: Mlinarič, T., Van Den Kerchove, A., Barinaga, Z.I. et al. EEG-based classification of alzheimer’s disease and frontotemporal dementia using functional connectivity. Sci Rep 16, 4903 (2026). https://doi.org/10.1038/s41598-026-35316-9

Mots-clés: EEG, connectivité fonctionnelle, maladie d’Alzheimer, démence frontotemporale, apprentissage automatique