Deep Learning for Automated Tic Detection and Prediction in Tourette Syndrome Using Electromyography and Video

Le syndrome de Tourette est une affection neurologique caractérisée par des mouvements ou des sons soudains et involontaires appelés tics. Pour les personnes vivant avec ce trouble, ces tics peuvent varier d'un clignement d'œil rapide à un haussement d'épaules complexe ou à une explosion vocale. Bien que la maladie soit bien connue, la mesurer avec précision dans un cadre clinique reste difficile. Les médecins s'appuient actuellement sur les patients ou les soignants pour se souvenir de la fréquence des tics au cours de la dernière semaine, ou ils observent de courtes séquences vidéo enregistrées dans un cabinet. Les deux méthodes sont imparfaites ; la mémoire humaine est faillible, et une brève visite au cabinet peut ne pas refléter l'ensemble de l'expérience quotidienne du patient. Parce que les tics fluctuent en intensité et peuvent être temporairement supprimés, capturer ces derniers de manière objective nécessite un outil capable de regarder et d'écouter en continu sans fatigue.

Les chercheurs se tournent de plus en plus vers la technologie pour résoudre ce problème, en utilisant des capteurs pour enregistrer l'activité musculaire et des caméras pour enregistrer les mouvements. Un tel effort provient d'une équipe de l'Université de la Floride, qui s'est donné pour mission de construire un système informatique capable de détecter les tics en temps réel. Ils voulaient savoir si l'intelligence artificielle pouvait apprendre à distinguer une personne au repos, un mouvement musculaire volontaire et un tic, en utilisant uniquement les signaux électriques de leurs muscles et des images vidéo de leur corps. Leur objectif était de créer un moyen fiable de surveiller la maladie, ce qui pourrait éventuellement aider les médecins à ajuster les traitements ou même à déclencher des thérapies automatiquement lorsqu'un tic est sur le point de se produire.

L'équipe a recueilli des données provenant de seize adultes diagnostiqués avec le syndrome de Tourette. Chaque personne s'est rendue en clinique à plusieurs reprises sur une période de trois mois, au cours de laquelle les chercheurs ont enregistré leur activité musculaire à l'aide de huit petits capteurs placés sur leurs bras et leur cou. Simultanément, une caméra haute définition a filmé leurs mouvements. Pour s'assurer que l'ordinateur apprenne les bonnes leçons, quatre experts ont examiné les séquences vidéo et ont marqué précisément quand un tic survenait, quand la personne était au repos et quand elle bougeait volontairement. Les chercheurs ont ensuite injecté ces données appariées — signaux musculaires et étiquettes vidéo — dans trois types différents de modèles informatiques conçus pour reconnaître des motifs. Ils ont testé ces modèles de deux manières : premièrement, en leur demandant d'identifier ce qui se passait dans l'instant présent, et deuxièmement, en leur demandant de prédire ce qui allait se passer l'instant suivant.

Un aspect clé de l'étude consistait à tester le temps dont l'ordinateur avait besoin pour voir avant de pouvoir prendre une décision. Les chercheurs avaient initialement supposé que, comme les tics sont très brefs, l'ordinateur fonctionnerait mieux s'il regardait des tranches de temps très courtes, peut-être d'une seconde seulement. Ils ont testé des fenêtres d'une, cinq et dix secondes. Les résultats les ont surpris. Lorsqu'il s'agissait de détecter un tic déjà en cours, l'ordinateur fonctionnait mieux en observant une fenêtre de cinq secondes. Le modèle pouvait identifier les tics avec une AUC de 0,79 dans ce laps de temps plus long, suggérant que la signature électrique d'un tic se déploie sur quelques secondes et bénéficie d'un peu de contexte pour être reconnue clairement. En revanche, lorsque l'ordinateur tentait de prédire un tic avant qu'il ne survienne, il fonctionnait mieux avec la fenêtre la plus courte d'une seconde. Cela indique que les signes précurseurs d'un tic imminent sont très récents et fugaces, nécessitant que le système se concentre sur le passé immédiat plutôt que sur un historique plus long.

L'étude a révélé que les modèles informatiques étaient généralement meilleurs pour détecter un tic au moment où il se produisait que pour en prédire un avant qu'il n'arrive. Le modèle de détection le plus performant, qui utilisait un type spécifique de réseau neuronal conçu pour les données temporelles, a atteint une AUC de 0,79. Bien qu'il s'agisse d'un résultat solide, les chercheurs ont noté que le système n'est pas encore parfait. Les modèles ont eu plus de mal à prédire les tics futurs, et leurs performances variaient selon la longueur de la fenêtre temporelle analysée. L'équipe a également observé que les modèles informatiques apprenaient mieux lorsqu'ils étaient entraînés sur des données où les signaux musculaires étaient associés aux étiquettes vidéo des experts, plutôt que de s'appuyer uniquement sur les signaux musculaires.

Les chercheurs ont pris soin de souligner les limites de leurs travaux. Les données provenaient d'un groupe spécifique de patients ayant déjà subi une chirurgie de stimulation cérébrale profonde, ce qui pourrait rendre leurs signaux musculaires différents de ceux de la population générale. Les capteurs étaient placés sur les bras et le cou, ce qui signifie que le système ne pouvait pas détecter les tics vocaux ou faciaux qui n'impliquent pas ces muscles spécifiques. De plus, les experts qui ont étiqueté les données vidéo n'étaient pas toujours en parfait accord sur le moment exact où un tic commençait ou s'arrêtait, ce qui introduit une petite part d'incertitude dans le processus d'apprentissage. Malgré ces contraintes, l'étude fournit un point de référence clair sur ce qui est possible. Elle suggère que pour la détection des tics, un système a besoin de quelques secondes de données pour être sûr, mais pour la prédiction, il doit réagir instantanément aux signaux les plus récents.

Ce travail jette les bases de futurs outils capables de surveiller le syndrome de Tourette de manière continue et objective. Au lieu de compter sur la mémoire ou sur de brèves visites cliniques, un système construit sur ces découvertes pourrait potentiellement suivre l'état d'une personne sur des jours ou des semaines, fournissant une image complète de ses symptômes. Bien que les modèles actuels ne soient pas encore prêts pour un usage quotidien, l'étude démontre que la combinaison des capteurs musculaires avec l'analyse vidéo et l'intelligence artificielle offre une voie prometteuse. En comprenant exactement le temps dont l'ordinateur a besoin pour percevoir un tic et comment celui-ci diffère d'un mouvement volontaire, les scientifiques peuvent commencer à concevoir des systèmes qui aident à gérer la maladie plus efficacement, se rapprochant ainsi d'un avenir où le traitement pourra être ajusté sur la base de données en temps réel plutôt que sur des estimations.