Quantification précise de l’hétérogénéité et de la progression des maladies dans la MSA et la maladie de Parkinson par apprentissage automatique

Pourquoi cela compte pour les personnes atteintes de troubles du mouvement

Les personnes vivant avec la maladie de Parkinson ou l’atrophie multisystémique (MSA) font souvent face à des années d’incertitude, car ces deux affections peuvent se ressembler cliniquement tout en évoluant de manière très différente. Cette étude examine comment des méthodes informatiques avancées appliquées aux examens cérébraux pourraient aider les médecins à distinguer ces maladies plus tôt, à comprendre leur variabilité interindividuelle et à suivre leur évolution dans le temps.

Observer le cerveau pour des indices plus clairs

La maladie de Parkinson et la MSA impliquent toutes deux un dépôt anormal d’une protéine appelée alpha‑synucléine, mais elles endommagent des régions cérébrales différentes. La maladie de Parkinson affecte principalement une zone profonde productrice de dopamine, tandis que la MSA touche des réseaux plus étendus, notamment le cervelet, le tronc cérébral et les circuits du mouvement. Sur des IRM ordinaires, ces différences peuvent être subtiles, surtout en phase précoce, et de nombreuses personnes atteintes de MSA sont initialement diagnostiquées à tort comme Parkinson. Les chercheurs ont utilisé deux types d’IRM — des scans structurels montrant la forme et la taille du cerveau, et des scans de diffusion révélant l’intégrité des fibres blanches — pour rechercher des signatures plus précises et spécifiques aux patients.

Apprendre aux ordinateurs à repérer des motifs cachés

L’équipe a étudié 17 volontaires sains, 27 personnes atteintes de MSA (divisées en sous‑types cérébelleux et parkinsonien) et 15 personnes atteintes de la maladie de Parkinson, chacune suivie jusqu’à quatre visites annuelles. Ils ont divisé le cerveau en dizaines de régions et mesuré le volume local ainsi que deux propriétés de diffusion qui reflètent la manière dont l’eau circule le long des fibres nerveuses. Ces mesures ont été utilisées comme entrée pour plusieurs modèles d’apprentissage automatique, entraînés pour accomplir une tâche simple : décider si un scan provenait d’une personne atteinte de MSA ou de Parkinson. Pour éviter le surapprentissage sur une maladie rare, les auteurs ont employé une validation croisée rigoureuse, répété l’entraînement de nombreuses fois et comparé cinq familles d’algorithmes avant de retenir les meilleurs performeurs.

Des scans complexes à un score personnel unique

Plutôt que de s’arrêter à un diagnostic binaire rendu par l’ordinateur, les auteurs ont cherché un nombre qui résume dans quelle mesure le cerveau d’une personne présente la signature de la MSA versus celle de la Parkinson. Ils ont utilisé une méthode d’IA explicable appelée SHAP, qui décompose chaque décision du modèle en contributions provenant de chaque région cérébrale. Ces contributions ont servi de poids, mettant en évidence les zones jugées les plus informatives par le modèle. En combinant ces poids avec les mesures IRM réelles pour toutes les régions, ils ont créé trois scores d’« hétérogénéité » (HET) — un pour le volume cérébral et un pour chacune des deux mesures de diffusion. Chaque score HET condense un motif complexe de changements répartis dans le cerveau en une seule valeur résumée pour chaque personne et chaque visite.

Identifier le type de maladie et son évolution dans le temps

Les nouveaux scores HET ont fait davantage que reproduire les marqueurs IRM existants. Ils ont classé la MSA versus la Parkinson au moins aussi bien, et souvent mieux, qu’un indice d’atrophie largement utilisé qui se concentre sur quelques régions clés. Fait important, les HET ont été particulièrement efficaces pour séparer la forme parkinsonienne de la MSA de la maladie de Parkinson, une distinction notoirement difficile sur les scans standards. Lorsqu’ils ont examiné l’évolution temporelle, les changements des scores HET sur un an reflétaient la dégradation clinique mesurée par une échelle standard de notation de la MSA mieux que de simples mesures de rétrécissement cérébelleux. Des cartes régionales des HET ont également retrouvé des schémas connus de lésions en MSA, comme la dégénérescence des circuits cérébelleux et du tronc cérébral, tout en révélant une implication plus large des voies blanches frontales et limbiques et des connexions entre les deux hémisphères cérébraux.

Ce que cela pourrait signifier pour les patients et la prise en charge

Pour un non‑spécialiste, le message clé est que des analyses plus intelligentes de données IRM de routine peuvent transformer des signes dispersés de lésions à travers le cerveau en un score unique et compréhensible qui reflète à quel point le profil d’une personne ressemble à la MSA et à quelle vitesse il évolue. Cette approche ne guérit pas la maladie et doit encore être confirmée sur des cohortes plus larges, mais elle offre un outil prometteur pour un diagnostic plus précoce et plus précis, un meilleur suivi de la progression et des essais cliniques plus sensibles pour tester de nouveaux traitements. En prenant en compte le fait qu’aucun cerveau de patient n’évolue exactement de la même façon, le cadre HET rapproche le domaine d’une prise en charge réellement personnalisée des troubles du mouvement.

Citation: Gebre, R.K., Raghavan, S., De Tora, M.E.J. et al. Precise disease heterogeneity and progression quantification in MSA and Parkinson’s disease using machine learning. Sci Rep 16, 10579 (2026). https://doi.org/10.1038/s41598-026-45949-5

Mots-clés: atrophie multisystémique, maladie de Parkinson, IRM cérébrale, apprentissage automatique, biomarqueurs