Une approche probabiliste d’apprentissage profond pour la segmentation du plexus choroïde dans le trouble du spectre autistique

Pourquoi ce travail compte pour la santé cérébrale et l’autisme

Le plexus choroïde est une petite structure située profondément dans le cerveau qui participe à la production et à la filtration du liquide qui baigne le cerveau et la moelle épinière, et joue également un rôle clé dans l’activité immunitaire cérébrale. Des preuves croissantes indiquent que, chez certaines personnes atteintes de trouble du spectre autistique (TSA), cette structure peut présenter des aspects ou des comportements différents, reflétant possiblement des modifications de l’inflammation cérébrale. Pour vraiment comprendre ces liens, les chercheurs doivent étudier des milliers d’images cérébrales — ce qui exige des outils informatiques rapides et fiables capables de repérer et de délimiter automatiquement le plexus choroïde. Cette étude présente et évalue un tel outil, montrant non seulement son efficacité, mais aussi le degré de confiance qu’il accorde à ses propres réponses.

Une petite porte d’entrée cérébrale mais puissante

Le plexus choroïde se situe dans les espaces remplis de liquide du cerveau et forme une barrière entre le sang et le liquide clair appelé liquide cérébro-spinal. Il aide à contrôler ce qui entre et sort de l’environnement cérébral et intervient dans la signalisation immunitaire, notamment dans les réponses liées à l’inflammation. Des recherches antérieures ont montré que le plexus choroïde peut être élargi ou altéré dans plusieurs affections cérébrales, de la sclérose en plaques à la dépression, et des études initiales suggèrent que des différences peuvent également être présentes chez certains individus autistes. Toutefois, tracer cette structure manuellement sur des IRM est lent, exigeant et quelque peu subjectif, ce qui rend la recherche à grande échelle presque impossible sans automatisation.

Apprendre à un ordinateur à repérer le plexus choroïde

Les auteurs se sont concentrés sur ASCHOPLEX, un système d’apprentissage profond récemment développé qui segmente automatiquement, c’est-à-dire délimite, le plexus choroïde sur les IRM. Initialement entraîné sur des adultes avec et sans sclérose en plaques, ASCHOPLEX avait déjà montré une précision proche de celle des humains dans d’autres populations. Dans cette étude, l’équipe a adapté l’outil au TSA en le « finançant » (finetuning) à l’aide d’un petit ensemble soigneusement annoté de 12 adultes (avec et sans autisme) issus d’un projet de recherche local. Ils ont ensuite testé son fonctionnement sur 53 adultes supplémentaires dont le plexus choroïde avait été tracé manuellement par des experts, permettant une comparaison directe entre humain et machine. Ils ont également comparé ASCHOPLEX à un outil d’IRM cérébrale largement utilisé, FreeSurfer, qui n’a pas été conçu spécifiquement pour cette structure.

Ajouter une mesure de confiance aux prédictions

Au‑delà de savoir si l’outil a raison ou tort, les chercheurs ont voulu connaître son degré de certitude pour chaque décision. Pour ce faire, ils ont transformé ASCHOPLEX en modèle « probabiliste » en activant une technique appelée dropout lors de l’entraînement et des tests. Concrètement, cela signifie que le modèle est exécuté plusieurs fois sur la même image, chaque fois avec des réglages internes légèrement différents, produisant une série de prédictions légèrement différentes. En observant dans quelle mesure ces prédictions concordent ou divergent en chaque point du cerveau, l’équipe a pu estimer l’incertitude — les endroits où le modèle est sûr et ceux où il ne l’est pas. Ils ont appliqué cette approche non seulement à leur jeu de données local d’adultes, mais aussi à plus de 1 800 participants, enfants et adultes, issus du vaste projet Autism Brain Imaging Data Exchange (ABIDE).

Performances de l’outil selon les personnes et les âges

Après le finetuning, ASCHOPLEX matchait étroitement les contours dessinés par des humains du plexus choroïde chez des adultes avec et sans autisme, atteignant des niveaux de précision similaires ou supérieurs à l’accord entre experts humains. Il a clairement surpassé FreeSurfer, qui n’a jamais été optimisé pour cette structure. De façon importante, une fois finement ajusté, ASCHOPLEX n’a plus montré de différences de performance entre adultes autistes et non autistes ni entre hommes et femmes, réduisant les inquiétudes liées aux biais systématiques. Lorsque la version probabiliste a été utilisée sur le grand jeu de données ABIDE, le modèle restait le plus confiant pour les adultes, en particulier ceux ressemblant au groupe d’entraînement, mais son incertitude augmentait pour les adultes et les enfants provenant d’autres sites — et elle était la plus élevée chez les enfants. L’analyse détaillée a montré que cette incertitude supplémentaire reflétait principalement le manque de familiarité du modèle avec les IRM d’enfants, plutôt que la mauvaise qualité des scans.

Ce que cela signifie pour la recherche future sur l’autisme

Pour les non‑spécialistes, le message clé est que les chercheurs disposent désormais d’un outil pratique basé sur l’IA capable de repérer avec précision une très petite mais importante structure cérébrale chez des personnes avec et sans autisme, et d’indiquer le degré de confiance associé à chaque résultat. ASCHOPLEX, surtout dans sa version probabiliste, peut être appliqué à de grandes collections d’images pour rechercher des modifications du plexus choroïde susceptibles de signaler une activité immunitaire cérébrale altérée. En même temps, l’augmentation de son incertitude chez les enfants souligne que ces outils nécessitent encore un entraînement complémentaire sur des populations plus jeunes avant de pouvoir être totalement fiables pour tous les âges. Globalement, l’étude montre qu’associer l’apprentissage profond à des mesures explicites de confiance peut rendre les analyses d’imagerie cérébrale à la fois plus puissantes et plus transparentes, ouvrant la voie à une meilleure compréhension des changements neuro‑immuns dans l’autisme.

Citation: Bargagna, F., Morin, T.M., Chen, YC. et al. A probabilistic deep learning approach for choroid plexus segmentation in autism spectrum disorder. NPP—Digit Psychiatry Neurosci 4, 2 (2026). https://doi.org/10.1038/s44277-026-00056-1

Mots-clés: trouble du spectre autistique, plexus choroïde, IRM cérébrale, apprentissage profond, neuroinflammation