Early Detection of Schizophrenia Using EEG Signals Based on CNN and CNN–LSTM Deep Learning Models
Cette étude démontre qu'un modèle d'apprentissage profond hybride CNN–LSTM surpasse de manière significative un CNN autonome pour la détection de la schizophrénie à partir de signaux EEG au repos, atteignant une précision de 92,03 % et soulignant la valeur de l'intégration de l'apprentissage de séquences temporelles pour un diagnostic objectif.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le cerveau humain est un vaste réseau bourdonnant d'activité électrique, changeant constamment à mesure que nous pensons, ressentons et percevons le monde. Pendant des décennies, les scientifiques ont tenté d'écouter ce bourdonnement pour comprendre ce qui se passe lorsque les troubles de la santé mentale surviennent. L'un de ces troubles, la schizophrénie, est une pathologie grave qui altère la façon dont une personne perçoit la réalité, menant souvent à des hallucinations ou à une pensée confuse. Actuellement, les médecins diagnostiquent cette maladie principalement en écoutant les patients décrire leurs expériences et en observant leur comportement, un processus qui repose largement sur le jugement humain et peut parfois manquer les signes précurseurs du trouble. Pour trouver un moyen plus objectif de détecter la maladie précocement, les chercheurs se sont tournés vers l'électroencéphalographie, ou EEG. Cette technique consiste à placer de petits capteurs sur le cuir chevelu pour enregistrer les signaux électriques du cerveau. Contrairement aux scanners coûteux qui prennent des photos de la structure cérébrale, l'EEG capture les rythmes rapides et dynamiques du cerveau en temps réel, offrant une fenêtre sur les tempêtes électriques qui pourraient caractériser la schizophrénie.
Dans une étude récente, des chercheurs de l'Universiti Teknologi Malaysia ont cherché à voir s'ils pouvaient apprendre à un ordinateur à reconnaître automatiquement ces motifs électriques. Ils ont travaillé avec une collection d'enregistrements d'ondes cérébrales provenant de 81 personnes : 49 ayant reçu un diagnostic de schizophrenie et 32 personnes en bonne santé. L'équipe voulait tester deux types différents de programmes informatiques, connus sous le nom de modèles d'apprentissage profond (deep learning), pour voir lequel pouvait mieux distinguer les deux groupes. Le premier modèle était conçu pour rechercher des formes et des motifs spécifiques dans les ondes cérébrales, un peu comme un appareil photo identifiant les contours dans une photographie. Le second modèle était un hybride plus complexe qui ne se contentait pas de chercher ces formes, mais prêtait également attention à l'ordre dans lequel les signaux arrivaient, comprenant comment l'activité cérébrale changeait au fil du temps.
Les chercheurs ont commencé par nettoyer les données brutes. Les enregistrements originaux étaient remplis de bruits provenant des mouvements musculaires et des interférences environnementales, ils ont donc filtré le statique indésirable et ajusté l'intensité du signal pour rendre les données uniformes. Ils ont ensuite injecté ces informations nettoyées dans les deux programmes informatiques. Le premier programme, qui se concentrait uniquement sur les motifs spatiaux des signaux, a réussi à identifier le groupe correct avec une AUC de 0,73. Il était raisonnablement efficace pour repérer les cerveaux sains, mais peinait à identifier correctement les personnes atteintes de schizophrénie ; le modèle n'a identifié correctement que 46,78 % des patients schizophrènes, tandis que 53,22 % étaient classés à tort comme étant en bonne santé. Cela suggérait que si le programme pouvait voir la « forme » des ondes cérébrales, il manquait quelque chose de crucial concernant la manière dont ces ondes bougeaient et évoluaient.
Le second programme, qui combinait la reconnaissance de formes avec une compréhension du temps, a obtenu des résultats nettement meilleurs. En apprenant non seulement à quoi ressemblaient les signaux, mais aussi comment ils se déroulaient seconde après seconde, ce modèle a atteint une AUC de plus de 0,92. Il a correctement identifié environ 91 % des personnes atteintes de schizophrénie et près de 90 % des individus en bonne santé. Les résultats ont montré que le timing de l'activité électrique du cerveau détient des indices vitaux que les instantanés statiques ne peuvent saisir. L'étude a révélé que le modèle hybride était bien plus fiable, avec un taux de réussite inférieur de près de 20 points de pourcentage par rapport au modèle plus simple.
Ces conclusions suggèrent que la clé pour détecter la schizophrénie à travers les ondes cérébrales réside dans la compréhension de l'histoire que racontent les signaux au fil du temps, et non pas seulement dans l'image qu'ils créent à un instant T. Bien que les chercheurs aient noté que leur ensemble de données était relativement petit et que des tests supplémentaires avec des groupes plus larges soient nécessaires avant que cette méthode puisse être utilisée dans les hôpitaux, les résultats offrent une voie prometteuse. Ils indiquent qu'en apprenant aux ordinateurs à écouter le rythme du cerveau, nous pourrons bientôt disposer d'un outil objectif et puissant pour aider les médecins à détecter ce trouble difficile plus tôt et plus précisément que jamais.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.