End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence

Le cerveau humain n'est pas une collection statique de parties, mais un réseau dynamique et fluide où l'information circule constamment entre différentes régions. Pour comprendre comment le cerveau fonctionne, et comment il défaillit lors d'une lésion, les scientifiques étudient trois types de connexions. La connectivité structurelle est le câblage physique, comme les routes elles-mêmes. La connectivité fonctionnelle mesure la fréquence à laquelle différentes zones s'activent en même temps, semblable aux modèles de circulation qui coïncident par hasard. La connectivité effective va plus loin, en demandant quelle zone envoie réellement le signal à l'autre, établissant une relation de cause à effet dans le flux d'informations. Pour les patients souffrant d'un accident vasculaire cérébral (AVC), où le flux sanguin vers une partie du cerveau est bloqué, ces réseaux sont perturbés. Les dommages ne sont que rarement un simple trou dans le tissu ; ils se propagent en ondulations à travers tout le système, modifiant la façon dont l'information circule d'un côté à l'autre du cerveau. Comprendre ces changements spécifiques de direction et de synchronisation est crucial pour diagnostiquer la gravité d'un AVC et prédire la façon dont un patient pourrait récupérer, pourtant les outils traditionnels peinent souvent à cartographier avec précision ces flux complexes et unidirectionnels.

Dans une nouvelle étude, des chercheurs de l'Université AGH de Cracovie et du Sano Center for Computational Medicine ont développé un pipeline complet pour cartographier ces flux causaux et les utiliser pour distinguer les cerveaux sains de ceux endommagés par un AVC. L'équipe est partie de données d'imagerie par résonance magnétique de 104 patients victimes d'un AVC et de 26 volontaires sains. Ces scanners ont capturé l'activité du cerveau au fil du temps, décomposée en 100 régions distinctes. Au lieu d'utiliser des méthodes standards qui supposent souvent une relation simple et bidirectionnelle entre les régions, les chercheurs ont employé une technique computationnelle spécialisée appelée calcul par réservoir (reservoir computing). Cette approche traite l'activité du cerveau comme un système complexe basé sur le temps, permettant à l'ordinateur d'apprendre comment le signal d'une région influence le signal d'une autre, reconstruisant ainsi efficacement la direction du flux d'informations. Le résultat fut une carte détaillée de la « connectivité effective » pour chaque personne, représentée sous la forme d'un graphe dirigé où des flèches indiquent précisément quelles régions cérébrales pilotent l'activité des autres.

Une fois ces cartes créées, les chercheurs les ont injectées dans un type d'intelligence artificielle conçue pour analyser les réseaux, connue sous le nom de réseau de neurones convolutifs sur graphes. Le but était de voir si l'ordinateur pouvait apprendre à faire la différence entre les réseaux cérébraux des patients victimes d'un AVC et ceux des témoins sains sur la base de ces cartes directionnelles. Le système a réussi, identifiant correctement les groupes avec une précision qui se traduit par un score de 0,69 sur une échelle de performance standard. Bien que cela puisse paraître modeste, c'est une amélioration significative par rapport aux méthodes précédentes qui reposaient sur des techniques statistiques plus anciennes, telles que la causalité de Granger, qui produisaient des scores plus bas. L'étude a explicitement montré que la nouvelle approche de calcul par réservoir capturait mieux les nuances des réseaux cérébraux perturbés que la méthode traditionnelle, révélant particulièrement comment l'équilibre entre les hémisphères gauche et droit était rompu chez les patients.

La partie sans doute la plus précieuse de ce travail n'était pas seulement la classification, mais la capacité d'expliquer pourquoi l'ordinateur prenait ses décisions. En utilisant un outil appelé LIME, les chercheurs ont pu regarder à l'intérieur du « processus de pensée » de l'intelligence artificielle pour voir quelles connexions spécifiques dans le cerveau étaient les plus importantes pour identifier un AVC. Ils ont découvert que, pour les patients, les signes de perturbation les plus révélateurs se trouvaient dans les réseaux responsables de l'attention, tant au sommet qu'à la base des systèmes d'attention du cerveau. En revanche, les témoins sains étaient identifiés par l'intégrité de leurs réseaux de vision et de langage. Cette découverte concorde avec ce que l'on sait des symptômes de l'AVC, tels que l'aphasie, où le traitement du langage est altéré. L'étude suggère que l'emplacement de l'AVC importe énormément ; les patients présentant des dommages du côté droit du cerveau montraient une rupture plus sévère de la communication symétrique entre les hémisphères, probablement parce que l'hémisphère droit est moins impliqué dans la parole et souffre davantage des effets d'ondulation de la lésion.

Les chercheurs soulignent qu'il s'agit d'un cadre de bout en bout, ce qui signifie qu'il prend les scanners cérébraux bruts et les transforme en un diagnostic clair et interprétable sans nécessiter l'intervention d'experts humains pour tracer manuellement chaque connexion. Bien que l'ensemble de données fût hétérogène, les AVC survenant dans de nombreux endroits différents du cerveau, le système a réussi à trouver un fil conducteur de perturbation. L'étude ne prétend pas avoir résolu le diagnostic de l'AVC, ni suggère qu'elle est prête pour une utilisation immédiate en milieu hospitalier. Elle démontre plutôt une voie viable, montrant que la combinaison de la modélisation causale avancée et de l'intelligence artificielle explicable peut révéler les mécanismes cachés des lésions cérébrales. En transformant les données complexes de neuroimagerie en une carte visuelle des connexions perturbées, ce travail offre une nouvelle façon de comprendre comment le cerveau défaillit, ouvrant potentiellement la voie à de meilleures méthodes de stratification des patients et de personnalisation des traitements à l'avenir.