An explainable hierarchical machine learning framework for schizophrenia biomarker detection based on electroencephalogram signals

Le cerveau humain est un vaste réseau bourdonnant de signaux électriques, émettant constamment des motifs qui varient selon nos pensées, nos émotions et nos états de santé. Pendant des décennies, les médecins se sont appuyés sur des entretiens et des observations pour diagnostiquer des troubles mentaux complexes comme la schizophrénie, un trouble qui altère la façon dont une personne pense, ressent et interagit avec le monde. Bien que ces méthodes cliniques soient essentielles, elles sont également subjectives, entraînant souvent des retards ou des erreurs de classification. Ces dernières années, les scientifiques se sont tournés vers l'électroencéphalographie, ou EEG, une technique non invasive qui place des capteurs sur le cuir chevelu pour enregistrer l'activité électrique du cerveau. Contrairement aux scanners cérébraux coûteux, l'EEG est abordable et portable, offrant une fenêtre directe sur la dynamique en temps réel du cerveau. Le défi a toujours été que ces signaux électriques sont incroyablement complexes et subtils, ce qui rend difficile l'identification des motifs spécifiques qui distinguent un cerveau sain d'un cerveau affecté par une maladie.

Une équipe de chercheurs issus de plusieurs universités en Iran a développé une nouvelle façon de relever ce défi, créant un système qui non seulement identifie ces motifs, mais explique également exactement comment il les a trouvés. En analysant les enregistrements de 101 personnes — 51 diagnostiquées avec une schizophrénie et 50 volontaires sains — les chercheurs ont construit un cadre d'apprentissage automatique capable de distinguer les deux groupes avec une précision notable. L'étude s'est concentrée sur deux états spécifiques : lorsque les participants étaient assis les yeux fermés et lorsqu'ils étaient assis les yeux ouverts. Le système ne s'est pas contenté de deviner ; il a passé au crible des milliers de descriptions mathématiques des ondes cérébrales, a sélectionné les plus révélatrices et a utilisé un puissant algorithme informatique pour prendre sa décision. Crucialement, les chercheurs ne se sont pas arrêtés à une simple réponse par « oui ou non ». Ils ont utilisé une méthode pour lever les couches de la prise de décision de l'ordinateur, révélant quelles parties spécifiques du cerveau et quels types d'activité électrique étaient les plus importants pour le diagnostic.

Le cœur de ce travail réside dans la manière dont les chercheurs ont géré le volume massif de données collectées à partir des capteurs EEG. Chaque enregistrement produisait une quantité énorme d'informations, bien trop importante pour qu'un ordinateur puisse les traiter efficacement sans s'embrouiller. Pour résoudre cela, l'équipe a utilisé un processus de sélection étape par étape afin de trouver les vingt mesures les plus utiles parmi les milliers disponibles. Ces mesures n'étaient pas de simples moyennes ; elles incluaient des descriptions complexes de la manière dont les ondes cérébrales étaient chaotiques ou ordonnées, ainsi que la quantité d'énergie présente dans différentes plages de vitesse des signaux. Une fois cet ensemble de données plus restreint et de haute qualité prêt, les chercheurs ont testé dix types différents de modèles d'apprentissage informatique pour voir lequel pouvait le mieux séparer les patients des témoins sains. Ils ont utilisé une méthode de test rigoureuse où l'ordinateur était entraîné sur les données de presque tout le monde, puis testé sur une seule personne qu'il n'avait jamais vue auparavant, répétant l'opération pour chaque participant afin de garantir que les résultats étaient authentiques et non le fruit d'un coup de chance.

Les résultats ont montré que les modèles informatiques performaient le mieux lorsque les participants avaient les yeux fermés. Dans cet état de repos calme, les modèles les plus performants identifiaient correctement la pathologie environ 81 % du temps. Les modèles qui fonctionnaient le mieux étaient ceux qui imitent la façon dont un groupe d'experts voterait sur une décision, combinant de nombreux petits jugements pour parvenir à une conclusion finale. Lorsque les participants ouvraient les yeux, les modèles parvenaient toujours à distinguer les groupes, mais la précision chutait légèrement, suggérant que l'activité interne de repos du cerveau contient des signes plus clairs du trouble que son activité lors du traitement du monde extérieur. L'ordinateur ne reposait pas sur un seul type de signal pour prendre ces décisions ; au contraire, il a trouvé qu'un mélange de différentes mesures fonctionnait le mieux. Les signaux les plus importants provenaient de l'avant et des côtés du cerveau, impliquant spécifiquement la vitesse des ondes et la complexité de leurs motifs.

La contribution la plus significative de cette étude est peut-être la transparence qu'elle apporte au processus. Dans de nombreuses tentatives précédentes d'utilisation d'ordinateurs pour le diagnostic médical, le système agit comme une « boîte noire », donnant une réponse sans expliquer pourquoi. Ici, les chercheurs ont utilisé un outil pour cartographier exactement quelles caractéristiques ont guidé les décisions de l'ordinateur. Ils ont découvert que le signal le plus influent était une mesure de complexité provenant de la partie centrale antérieure du cerveau. Lorsque ce signal était très complexe, l'ordinateur penchait vers un diagnostic de schizoprie ; lorsqu'il était plus simple, il penchait vers un diagnostic de santé. D'autres signaux clés incluaient la force de rythmes d'ondes cérébrales spécifiques dans les régions temporales sur les côtés de la tête. Cette découverte suggère que le trouble n'est pas défini par une seule partie défectueuse du cerveau, mais par une combinaison de changements dans la façon dont différentes régions traitent l'information et dans la manière dont leur activité électrique devient chaotique.

Les chercheurs ont pris soin de noter que, bien que leur système soit performant, il a été testé sur un groupe spécifique de personnes provenant d'un seul centre médical. Cela signifie que les conclusions sont prometteuses mais ne constituent pas encore une solution finale pour tous les hôpitaux du monde. L'étude plaide explicitement contre l'idée que des tests simples et à petite échelle sont suffisants, montrant que les études précédentes avec très peu de participants produisaient souvent des résultats trop optimistes qui ne tenaient pas la route lors de tests plus stricts. En utilisant un groupe de personnes plus large et une méthode de test plus rigoureuse, cette étude offre une image plus réaliste de ce qui est possible. Ce travail démontre que la combinaison d'une sélection minutieuse de mesures d'ondes cérébrales et d'un apprentissage informatique avancé peut créer un outil de diagnostic fiable. Il prouve également que ces outils peuvent être rendus compréhensibles, montrant aux médecins et aux patients exactement quels signes biologiques sont utilisés pour parvenir à une conclusion. Cette approche offre une voie vers des outils plus objectifs, basés sur le cerveau, qui pourraient un jour aider les médecins à diagnostiquer la schizophrénie plus tôt et plus précisément, passant des entretiens subjectifs à une compréhension plus claire de la réalité électrique du cerveau.