Estimation de l’âge cérébral des nouveau-nés à partir d’images pondérées en T2 en résonance magnétique par analyse de régression peu profonde

Pourquoi le moment compte pour les tout petits cerveaux

Au cours des premières semaines de vie, le cerveau d’un bébé croît à un rythme stupéfiant, se remodelant jour après jour. Les médecins qui suivent des nourrissons prématurés et à terme souhaiteraient disposer d’un moyen précis pour savoir si cette croissance suit son cours, bien avant que des retards n’apparaissent dans le comportement. Cette étude montre comment des scanners IRM détaillés du cerveau des nouveau-nés peuvent être transformés en une estimation précise de « l’âge cérébral », offrant aux cliniciens une fenêtre précoce et sensible sur la santé cérébrale.

Mesurer l’âge au-delà du calendrier

Les nouveau-nés sont généralement décrits par le nombre de semaines écoulées depuis la conception, appelé âge post-ménstruel. Pourtant, deux bébés du même âge calendaire peuvent présenter une maturité cérébrale très différente, surtout si l’un est né prématurément. L’imagerie par résonance magnétique (IRM) capture la structure du cerveau sans radiation, révélant comment les plis s’approfondissent et les tissus évoluent au fur et à mesure de la croissance. Les chercheurs se sont attelés à transformer ces images riches en un nombre unique : l’apparence de l’âge du cerveau, en semaines, par rapport au développement typique. Les écarts entre cet âge cérébral et l’âge réel du bébé pourraient alors signaler une maturation anormalement lente ou rapide.

Scanner des centaines de nouveau-nés

L’équipe a utilisé des données IRM de 885 nouveau-nés issues du Developing Human Connectome Project, incluant des nourrissons prématurés et à terme âgés de 26 à 46 semaines d’âge post-ménstruel au moment de l’examen. Tous les bébés ont été scannés pendant leur sommeil naturel dans un système IRM néonatal spécialisé, produisant des images pondérées en T2 de haute qualité qui mettent en évidence les différences entre les tissus cérébraux. Avant toute analyse, les tissus non cérébraux comme le crâne ont été retirés, la luminosité des images a été corrigée et chaque cerveau a été rééchantillonné à une taille et une résolution standard afin que les cerveaux de différents nourrissons puissent être comparés de manière significative.

Aligner les cerveaux et choisir la bonne référence

Une étape centrale de l’étude a été de décider comment aligner le cerveau de chaque bébé sur un cerveau de référence, appelé template. Les auteurs ont comparé trois choix : un template étroitement adapté à l’âge de chaque bébé, un unique template construit à partir de cerveaux à terme de 40 semaines, et un template néonatal sélectionné aléatoirement. Ils ont également testé deux manières d’ajuster chaque cerveau à ces templates : un ajustement linéaire plus simple qui met à l’échelle et fait pivoter le cerveau, et une combinaison plus flexible de déformations linéaires et non linéaires qui peut affiner les formes locales. Ces décisions sont importantes car un meilleur alignement permet à l’algorithme de se concentrer sur de réelles différences de développement plutôt que sur des décalages et distorsions sans rapport.

Transformer les images en nombres exploitables par l’ordinateur

Chaque scan cérébral aligné contient des millions de petits éléments de volume, ou voxels, bien trop nombreux pour être directement introduits dans un modèle prédictif. Pour gérer cela, l’équipe a utilisé une technique mathématique qui compresse les données en un ensemble réduit de composantes capturant les principaux modes de variation entre les bébés. Ils ont ensuite classé ces composantes selon leur corrélation avec l’âge et n’ont conservé que les plus informatives. Avec ces caractéristiques en main, ils ont entraîné trois méthodes de régression établies — régression par processus gaussien, régression à vecteurs de support et régression par vecteurs de pertinence — pour prédire l’âge cérébral, en vérifiant la performance par validation croisée répétée de façon à ce que chaque bébé serve de cas test non vu à un moment donné.

À quel point l’âge cérébral peut-il approcher la réalité ?

Lorsque les images étaient alignées en utilisant à la fois des déformations linéaires et non linéaires vers un template spécifique à l’âge, les estimations de l’âge cérébral se sont révélées remarquablement précises. Les meilleurs modèles ont erré d’environ 0,44 semaine en moyenne — moins d’une demi-semaine — avec environ 95 % de la variance d’âge expliquée par les données d’imagerie. L’utilisation d’un template à terme entraînait des erreurs légèrement plus élevées, et l’emploi d’un template aléatoire donnait les pires performances, en particulier pour les nourrissons prématurés. L’enregistrement plus flexible a systématiquement surpassé l’approche linéaire plus simple, bien que les gains fussent modestes au point que la méthode simple puisse rester intéressante lorsque les ressources de calcul sont limitées. Parmi les trois méthodes de prédiction, la régression par processus gaussien offrait le meilleur compromis entre précision et stabilité.

Ce que cela signifie pour des débuts fragiles

En choisissant soigneusement comment les scans cérébraux néonatals sont alignés et résumés, ce travail montre qu’une seule IRM peut fournir une estimation très précise du degré de maturité du cerveau d’un bébé, à l’échelle de quelques jours. Une telle mesure d’« âge cérébral » pourrait aider les cliniciens à détecter des retards subtils de développement chez les prématurés ou les nourrissons à haut risque bien avant que des problèmes ne soient visibles dans le comportement ou les mouvements. Bien que l’étude repose sur un seul type d’IRM et sur des données d’un projet de recherche particulier, elle pose les bases d’outils pratiques pouvant suivre la croissance cérébrale précoce de façon plus objective, favorisant des interventions plus précoces durant une période où le cerveau est particulièrement réceptif à l’aide.

Citation: Taji, S.M., Kazemi, K., Qodrati, Z. et al. Neonatal brain age estimation from T2-weighted magnetic resonance images using shallow regression analysis. Sci Rep 16, 9980 (2026). https://doi.org/10.1038/s41598-026-40336-6

Mots-clés: développement cérébral néonatal, estimation de l’âge cérébral, IRM néonatale, nourrissons prématurés, apprentissage automatique