A Comparative Evaluation of Structural MRI Foundation Models for Age, Sex, and Body-Mass Index Predictions

Le cerveau humain est un organe complexe, et comprendre comment il change au fil du temps ou diffère d'une personne à l'autre est un objectif central des neurosciences modernes. Pour voir à l'intérieur du cerveau vivant sans chirurgie, les chercheurs s'appuient sur l'imagerie par résonance magnétique, une technique qui crée des cartes tridimensionnelles détaillées de la structure cérébrale. Pendant des décennies, les scientifiques ont analysé ces cartes en mesurant manuellement des caractéristiques spécifiques, telles que l'épaisseur de la couche externe du cerveau ou la taille de sa surface repliée. Ces mesures, connues sous le nom de caractéristiques morphométriques, ont fourni une base solide pour l'étude de pathologies comme la maladie d'Alzheimer ou les effets naturels du vieillissement. Cependant, collecter suffisamment de scanners cérébraux pour étudier des maladies rares ou des populations diversifiées est difficile, et les méthodes traditionnelles exigent souvent un grand effort humain pour interpréter les données. Ces dernières années, une nouvelle approche est apparue : l'entraînement de systèmes informatiques sur de vastes collections de scanners cérébraux afin qu'ils puissent apprendre à reconnaître les motifs par eux-mêmes. Ces systèmes, appelés modèles de fondation, sont conçus pour comprendre directement les images brutes, offrant potentiellement un moyen plus puissant d'extraire des informations significatives des scanners médicaux que les anciennes méthodes.

Une équipe de chercheurs s'est donné pour mission de tester si ces nouveaux systèmes informatiques offrent réellement un avantage par rapport aux méthodes établies utilisées depuis des années. Ils se sont concentrés sur quatre modèles accessibles au public qui avaient été pré-entraînés sur de grands ensembles de données d'images cérébrales. Pour voir comment ces modèles fonctionnaient dans des scénarios réels, les chercheurs ont rassemblé des images de résonance magnétique provenant de trois groupes différents de personnes : des personnes atteintes de la maladie de Parkinson, un réseau d'enfants et d'adultes sains, et une large cohorte de volontaires sains. Ils ont demandé aux modèles informatiques d'accomplir trois tâches spécifiques qui sont courantes dans la recherche cérébrale : déterminer le sexe d'une personne, estimer son âge et prédire son indice de masse corporelle. Pour garantir une comparaison équitable, l'équipe a testé ces nouveaux modèles par rapport à une approche standard qui repose sur la mesure de l'épaisseur et de la surface de l'aire du cortex cérébral, une méthode qui est depuis longtemps la référence dans le domaine. Ils ont utilisé un cadre de test cohérent où les modèles informatiques n'étaient pas autorisés à apprendre de nouvelles choses pendant le test, garantissant que les résultats ne reflètent que ce que les modèles avaient déjà appris de leur entraînement initial.

Les résultats ont montré que les nouveaux modèles informatiques ne gagnaient pas automatiquement à chaque fois. Bien que certains des modèles de fondation aient été plus performants que les mesures traditionnelles sur des tâches spécifiques ou avec certains groupes de personnes, le tableau d'ensemble était mitigé. Deux des modèles, 3D-Neuro-SimCLR et AnatCL, ont systématiquement surpassé les méthodes traditionnelles dans la plupart des tests. Parmi eux, 3D-Neuro-SimCLR a montré la performance la plus fiable, bien qu'il ait éprouvé des difficultés lors d'une tâche spécifique impliquant la classification du sexe dans l'ensemble de données HBN. Les autres modèles testés n'ont pas systématiquement battu les mesures traditionnelles, suggérant que la capacité d'un ordinateur à apprendre ses propres motifs à partir d'images brutes ne garantit pas de meilleurs résultats dans chaque situation. Les chercheurs ont également constaté que la façon dont ces nouveaux modèles comprenaient le cerveau était différente de la manière dont les mesures traditionnelles le décrivaient, indiquant que l'ordinateur percevait des relations dans les données que les mesures conçues par l'homme pourraient manquer.

Cette étude fournit un point de référence clair pour le domaine, montrant que bien que ces modèles informatiques avancés soient très prometteurs, ils ne sont pas encore un remplacement universel des techniques établies. Les conclusions suggèrent que des modèles comme 3D-Neuro-SimCLR et AnatCL sont des outils particulièrement puissants pour améliorer les prédictions en imagerie cérébrale, mais que leur succès dépend fortement de la question spécifique posée et de la population étudiée. Pour aider d'autres scientifiques à poursuivre ce travail, les chercheurs ont rendu leurs méthodes de test accessibles au public, créant une ressource vivante où de nouveaux modèles peuvent être ajoutés et comparés au fur et à mesure de leur développement. Cette transparence garantit que le domaine puisse progresser avec une compréhension claire des outils qui fonctionnent le mieux, évitant l'hypothèse selon laquelle une technologie plus récente est toujours supérieure sans preuve. Le travail confirme que ces modèles de fondation sont un ajout précieux à la boîte à outils du neuroscientifique, offrant une voie vers des prédictions plus précises lorsque le bon modèle est associé à la bonne tâche.