Un modèle hybride amélioré ICEEMDAN–profondeur intégrant des données multimodales pour le dépistage de la neuropathie périphérique diabétique

Pourquoi les lésions nerveuses liées au diabète nécessitent un test plus doux

Pour de nombreuses personnes diabétiques, les lésions des nerfs des pieds et des jambes s’installent silencieusement et ne deviennent évidentes qu’au moment où apparaissent douleur, engourdissement, voire ulcères et amputations. Les examens actuels pour cette affection, appelée neuropathie périphérique diabétique, peuvent être invasifs, coûteux ou difficiles à répéter en clinique de ville. Cette étude explore une nouvelle méthode de dépistage des lésions nerveuses précoces en n’utilisant que des capteurs optiques et électriques inoffensifs sur la peau, associés à un traitement du signal intelligent et à un modèle d’apprentissage profond adapté.

Une nouvelle manière d’écouter le cœur et le flux sanguin

Les chercheurs se concentrent sur deux signaux déjà courants à l’hôpital et dans les dispositifs portables. Le premier est l’électrocardiogramme, ou ECG, qui enregistre l’activité électrique du cœur. Le second est le photoplégmogramme, ou PPG, un signal optique provenant d’un capteur au bout du doigt qui suit le flux sanguin à chaque battement. Chaque signal apporte une part d’information sur la manière dont le diabète affecte vaisseaux et nerfs ; ensemble, ils peuvent dresser un tableau plus riche des lésions nerveuses précoces que chacun pris isolément. L’équipe a recruté 120 personnes, comprenant des volontaires sains, des personnes diabétiques sans neuropathie diagnostiquée et des personnes ayant une neuropathie confirmée. Pour chaque participant, l’ECG et le PPG ont été enregistrés au repos dans des conditions contrôlées afin de réduire les sources de bruit courantes, comme le mouvement ou les variations de température.

Épurer des signaux biologiques bruités

Les enregistrements réels du cœur et du pouls contiennent de nombreuses perturbations indésirables dues à l’activité musculaire, à la respiration et aux interférences électriques. Si ces distorsions ne sont pas éliminées soigneusement, elles peuvent masquer les changements subtils révélateurs d’un début de neuropathie. L’étude introduit une méthode de débruitage améliorée qui décompose chaque signal en nombreux « blocs » plus simples, identifie quelles parties sont principalement du bruit et lesquelles portent une physiologie réelle, puis reconstruit une version plus propre. Pour cela, les auteurs combinent une technique de décomposition flexible avec une stratégie de recherche inspirée des essaims qui règle automatiquement les paramètres clés, puis appliquent un filtrage par ondelettes uniquement là où c’est le plus utile. Des tests face à plusieurs méthodes établies montrent que cette approche renforce mieux la partie utile des signaux ECG et PPG tout en minimisant la distorsion.

Transformer des vagues en images que l’ordinateur peut « voir »

Plutôt que d’alimenter des ondes unidimensionnelles brutes dans un réseau neuronal, les chercheurs convertissent de courts segments d’ECG et de PPG en petites images couleur. Chaque canal de couleur encode un aspect différent de l’évolution temporelle du signal : relations de position globale entre les points du cycle cardiaque, changements de phase et de rythme, et motifs qui se répètent de manière complexe et non linéaire. Lorsque ces trois vues sont empilées, elles forment un « portrait » compact de chaque fenêtre multi‑battements qui met en évidence des caractéristiques dynamiques liées à la santé des nerfs et des vaisseaux. En combinant plusieurs cycles consécutifs plutôt qu’un seul battement, la méthode capture des motifs plus stables et des interactions à longue portée entre l’activité électrique du cœur et l’onde de pouls qui se propage dans les vaisseaux.

Un réseau léger focalisé sur l’essentiel

Pour classer ces images fusionnées en cas sain, à risque ou de neuropathie, l’équipe conçoit une architecture d’apprentissage profond personnalisée reposant sur une base moderne et efficace. Ils remplacent les blocs de convolution standard par un design multi‑branches qui examine chaque patch d’image avec des noyaux de formes et tailles variées, capturant à la fois les détails fins et les tendances plus larges sans une forte augmentation du coût computationnel. En complément, ils ajoutent un mécanisme d’attention spatiale qui permet au réseau de mettre en avant les régions et motifs informatifs tout en atténuant l’arrière‑plan redondant. Le modèle est entraîné et ajusté via une validation croisée rigoureuse, et ses performances sont comparées à une gamme de réseaux de classification d’images bien connus, incluant plusieurs architectures convolutionnelles et basées sur des transformeurs populaires.

Ce que les résultats signifient pour les personnes diabétiques

Sur des données construites à partir de multiples cycles cardiaques, le système proposé classe correctement l’état de neuropathie dans près de 94 % des cas, avec une sensibilité et une précision également élevées. Il surpasse nettement à la fois les configurations classiques de traitement du signal et des modèles modernes d’apprentissage profond de référence, ce qui indique que la combinaison d’un débruitage plus intelligent, d’un encodage signal‑vers‑image plus riche et d’un réseau conçu sur mesure apporte une valeur réelle. Bien que l’étude repose sur des données issues d’un seul centre et nécessite des validations plus larges, elle ouvre la voie à un avenir où des mesures de routine, indolores, obtenues par de simples pinces et électrodes — éventuellement en cabinet de soins primaires ou à domicile — pourraient signaler des lésions nerveuses précoces chez les personnes diabétiques bien avant l’apparition de complications graves.

Citation: Xiao, M., Wang, F., Fang, S. et al. An improved ICEEMDAN–depth hybrid network model integrating multimodal data for the screening of diabetic peripheral neuropathy. Sci Rep 16, 10954 (2026). https://doi.org/10.1038/s41598-026-45862-x

Mots-clés: neuropathie périphérique diabétique, dépistage non invasif, ECG, PPG, apprentissage profond