Diagnostic des troubles de la conscience à l’aide de cartes topographiques EEG dérivées de caractéristiques non linéaires via l’apprentissage profond

À l’écoute des signes de conscience

Quand un proche reste sans réaction après un traumatisme crânien sévère, familles et médecins sont confrontés à une question déchirante : reste-t-il une forme de conscience, et si oui, dans quelle mesure ? Les examens cliniques traditionnels au chevet peuvent passer à côté de signes subtils de conscience, entraînant des erreurs de diagnostic qui influent sur les soins, la rééducation et parfois les décisions de fin de vie. Cette étude explore une nouvelle manière « d’écouter » le cerveau blessé en combinant enregistrements EEG, une mesure mathématique de la complexité du signal et des algorithmes d’apprentissage profond afin de mieux distinguer deux états majeurs : l’état végétatif et l’état de conscience minimale.

Deux états non réactifs très différents

Après une lésion cérébrale grave, certains patients ouvrent les yeux mais ne montrent aucun signe net de conscience ; on parle d’état végétatif, également appelé syndrome d’éveil non répondant (VS/UWS). D’autres peuvent, parfois, suivre une consigne simple, suivre un objet du regard ou réagir de manière significative à une voix ou à un toucher ; ces patients sont décrits comme en état de conscience minimale (MCS). Bien que ces comportements puissent sembler semblables à première vue, les chances de récupération et les besoins en rééducation peuvent être très différents. Pourtant, même des équipes cliniques expertes classent incorrectement jusqu’à 40 % de ces patients lorsqu’elles s’appuient principalement sur l’observation au chevet. Les auteurs ont voulu aider les cliniciens avec un outil objectif basé sur le cerveau, utilisable au chevet et indépendant de la capacité du patient à bouger ou à parler.

Mesurer la complexité cérébrale avec bruit et silence

Les chercheurs ont étudié 104 adultes atteints de troubles de la conscience, évalués avec soin à l’aide d’une échelle standardisée de récupération du coma. L’activité cérébrale de chaque patient a été enregistrée avec un système EEG à 19 canaux, d’abord au repos puis pendant l’écoute de leur musique entraînante préférée, choisie sur la base d’entretiens familiaux. Plutôt que de se concentrer sur les oscillations cérébrales traditionnelles, l’équipe a calculé une mesure non linéaire appelée entropie approximative, qui capte à quel point le signal EEG est complexe et imprévisible dans le temps. En termes simples, une entropie plus élevée reflète une activité cérébrale plus riche et variée, associée au traitement conscient. Les valeurs d’entropie de chaque électrode du cuir chevelu ont été transformées en cartes topographiques colorées, créant une sorte de « portrait de complexité » du cerveau en condition de repos et sous musique préférée.

Apprendre à un réseau neuronal à lire les cartes

Pour transformer ces cartes en aide diagnostique, l’équipe a entraîné un réseau neuronal convolutionnel (CNN) — un type de système d’apprentissage profond souvent utilisé en reconnaissance d’images — pour distinguer VS/UWS et MCS. Pour chaque patient, de nombreux segments EEG de 1 seconde ont été convertis en cartes d’entropie et assemblés en images servant d’entrée au CNN. En parallèle, les auteurs ont construit deux modèles d’apprentissage automatique plus traditionnels : une machine à vecteurs de support et un réseau neuronal de régression généralisée, en utilisant des caractéristiques numériques sélectionnées à partir de l’EEG. Ils ont ensuite comparé les performances de chaque approche sur un groupe test indépendant dont le diagnostic réel était connu grâce à une évaluation clinique rigoureuse.

Différences nettes dans les signaux cérébraux et meilleure précision

L’étude a montré que les patients en état de conscience minimale présentaient une entropie plus élevée dans plusieurs régions cérébrales que ceux en état végétatif, en particulier sur le côté gauche de la tête et pendant l’écoute de la musique préférée. Chez les patients MCS, des valeurs d’entropie plus élevées étaient significativement liées à des scores plus élevés sur l’échelle de récupération du coma, suggérant que cette mesure reflète de réelles différences de conscience. Pour la classification automatique, le CNN a été le plus performant : il a correctement distingué les deux groupes dans environ 90 % des cas et obtenu une métrique de synthèse élevée (AUC 0,90). La machine à vecteurs de support s’en est relativement bien sortie, tandis que le réseau de régression généralisée était moins performant. Ensemble, ces résultats indiquent que fournir des cartes cérébrales de type image à un modèle d’apprentissage profond permet de capturer des motifs spatiaux subtils que des méthodes plus simples manquent.

Ce que cela peut signifier pour les patients et les familles

Pour un public non spécialiste, la conclusion essentielle est que la « complexité du signal » cérébral au repos et pendant l’écoute d’une musique significative contient des indices précieux sur une conscience cachée. En transformant ces indices en cartes faciles à interpréter et en laissant un réseau neuronal les apprendre, les chercheurs ont créé un outil capable d’aider à distinguer les patients véritablement inconscients de ceux qui conservent une forme fragile mais réelle de conscience. Bien que ces résultats doivent être confirmés sur des cohortes plus larges et plus diversifiées, ils ouvrent la voie à un futur où des enregistrements EEG de routine, associés à des sons choisis avec soin et à l’intelligence artificielle moderne, donneraient une voix plus fiable à ceux qui ne peuvent pas parler pour eux-mêmes.

Citation: Qu, S., Wu, X., Huang, L. et al. Diagnosis of disorders of consciousness using nonlinear feature derived EEG topographic maps via deep learning. Sci Rep 16, 7417 (2026). https://doi.org/10.1038/s41598-026-36733-6

Mots-clés: troubles de la conscience, EEG, apprentissage profond, état végétatif, état de conscience minimale