Radiomique basée sur l’habitat en IRM pour un diagnostic amélioré de la maladie de Parkinson

Pourquoi cela compte pour les patients et les familles

La maladie de Parkinson s’installe souvent lentement, avec des tremblements subtils ou une raideur difficiles à détecter. Aujourd’hui, les médecins s’appuient encore largement sur les symptômes et des examens spécialisés coûteux pour poser un diagnostic, et les cas précoces sont facilement manqués. Cette étude montre que les mêmes IRM de routine utilisées dans de nombreux hôpitaux peuvent être exploitées pour révéler des motifs cachés, offrant une manière plus rapide, moins invasive et remarquablement précise de repérer la maladie de Parkinson.

Regarder le cerveau d’une manière nouvelle

Les chercheurs se sont concentrés sur deux structures profondes du cerveau, le noyau caudé et le putamen, qui sont centrales pour le contrôle du mouvement et fortement atteintes dans la maladie de Parkinson. Plutôt que de considérer chaque structure comme un bloc de tissu homogène, ils ont posé une question plus fine : est‑ce que des zones différentes à l’intérieur de ces régions se comportent différemment à l’IRM, et ces différences peuvent‑elles révéler la maladie ? Pour explorer cela, ils ont collecté des IRM de routine de 308 personnes — 173 atteintes de Parkinson et 135 volontaires sains — dans deux hôpitaux utilisant des appareils différents, reflétant la diversité rencontrée en clinique réelle.

Des « quartiers » cérébraux aux empreintes numériques

À l’aide d’une technique appelée radiomique basée sur l’habitat, l’équipe a découpé chaque région cible en « quartiers » plus petits, ou habitats, selon de subtiles différences de signal et de texture sur les images IRM. Un algorithme a regroupé des voxels (petits pixels 3D) présentant des caractéristiques d’imagerie similaires en ces habitats, puis a extrait des centaines de caractéristiques numériques de chacun. Ces caractéristiques forment une sorte d’empreinte numérique de l’état du tissu, capturant de petites irrégularités invisibles à l’œil nu mais pouvant refléter une perte de neurones, des cicatrices ou une accumulation de fer associées à la maladie de Parkinson.

Entraîner un modèle diagnostique à partir d’IRM de routine

Avec ces empreintes en main, les scientifiques ont entraîné un modèle d’apprentissage automatique, connu sous le nom de machine à vecteurs de support, pour distinguer les patients parkinsoniens des témoins sains. Ils ont testé différentes façons de diviser les régions cérébrales en habitats, d’une grande zone unique jusqu’à dix zones plus petites. Le jeu d’entraînement principal et un jeu de validation indépendant ont servi à évaluer les performances. Lorsque les régions étaient scindées en cinq habitats, le modèle obtenait les meilleurs résultats : sur des données nouvelles et non vues, il identifiait correctement la maladie de Parkinson chez près de 9 personnes sur 10 et atteignait une précision diagnostique globale supérieure à 94 % dans l’étude complète. Cela surpassait les approches antérieures qui traitaient chaque région cérébrale comme une unité unique et plafonnaient souvent autour de 80–85 % de précision.

Ce que le modèle perçoit réellement

Pour éviter de construire une « boîte noire », l’équipe a utilisé une méthode d’explicabilité appelée SHAP pour identifier quelles caractéristiques d’image influençaient les décisions du modèle. Les signaux les plus importants provenaient des séquences pondérées en T2, une séquence clinique courante. Chez les personnes atteintes de Parkinson, les habitats pertinents présentaient une plus grande variation d’intensité, davantage de points très brillants ou très sombres, et des distributions d’intensité asymétriques par rapport aux volontaires sains. Ces motifs reflètent probablement des processus pathologiques connus dans les ganglions de la base, tels que la perte de neurones producteurs de dopamine, des cicatrices locales et des dépôts anormaux de fer. Fait important, les mêmes caractéristiques réapparaissaient lorsque les données étaient scindées et réanalysées de différentes manières, et elles restaient stables entre les appareils, ce qui suggère que la méthode est robuste et non le fruit d’un artefact lié à une seule machine.

De l’outil de recherche à la clinique

Des analyses de courbe de décision, qui mettent en balance les bénéfices de détecter des cas vrais et les méfaits des fausses alertes, ont indiqué que le modèle pourrait aider les cliniciens à décider qui a réellement besoin d’examens complémentaires, comme une DaTscan, et qui peut éviter en toute sécurité des procédures supplémentaires coûteuses. Parce que la méthode s’appuie uniquement sur des IRM standard et un logiciel, elle pourrait être particulièrement utile dans des contextes où l’imagerie nucléaire avancée est indisponible ou trop coûteuse. Les auteurs soutiennent que la radiomique basée sur l’habitat transforme des images IRM familières en cartes de données riches, offrant une aide puissante et non invasive pour un diagnostic de Parkinson plus précoce et plus précis, et jetant les bases d’outils futurs susceptibles aussi de suivre la progression de la maladie et d’orienter le traitement.

Citation: Li, YZ., Wang, Y., Cai, C. et al. Habitat-based MRI radiomics for enhanced parkinson’s diagnosis. Sci Rep 16, 4755 (2026). https://doi.org/10.1038/s41598-026-37923-y

Mots-clés: Maladie de Parkinson, IRM, radiomique, apprentissage automatique, diagnostic précoce