Machine learning implementation for host-based infectious disease diagnostics

Résumé technique : Implémentation de l'apprentissage automatique pour le diagnostic des maladies infectieuses basé sur l'hôte

Énoncé du problème
L'identification précoce de l'étiologie des maladies infectieuses est cruciale pour un traitement clinique approprié, pourtant l'incertitude entraîne souvent une exposition inutile aux antimicrobiens, contribuant ainsi à la sélection et à la propagation d'organismes résistants. Les méthodes de diagnostic traditionnelles, telles que les cultures bactériennes et la PCR ciblée, font face à des limites concernant la rapidité, la nécessité de suspecter un organisme précis, et le chevauchement de biomarqueurs inflammatoires non spécifiques entre les conditions bactériennes, virales et non infectieuses. Les diagnostics basés sur l'hôte, qui évaluent la réponse biologique du patient (par exemple, signatures transcriptomiques, cytokines, signaux physiologiques) plutôt que le pathogène directement, offrent une solution potentielle. Cependant, l'intégration de ces diverses modalités de données avec l'apprentissage automatique (ML) nécessite une évaluation systématique pour déterminer quels algorithmes sont les mieux adaptés à des types de données spécifiques et comment la performance est actuellement rapportée dans la littérature.

Méthodologie
Cette étude a réalisé une revue systématique de la littérature publiée entre janvier 2020 et août 2025. La recherche a utilisé quatre sources : Nature, PLOS, PubMed et Elsevier, en employant des chaînes de recherche adaptées aux sources pour capturer les études appliquant le ML aux données cliniques de patients pour la détection de pathogènes, la classification d'infections (ex. : bactérien vs viral) ou le diagnostic par réponse de l'hôte.

• Critères de sélection : Sur 144 enregistrements récupérés, 51 ont passé un premier filtre de diagnostic de l'hôte. Après exclusion des études dépourvues de modèles de diagnostic ML appropriés ou se concentrant uniquement sur des systèmes in vitro, 21 articles ont répondu aux critères d'éligibilité finaux.
• Extraction des données : La revue a extrait 54 évaluations de modèles distinctes à partir des 21 articles. Ces évaluations ont été catégorisées par modalité d'entrée (variables cliniques structurées, mesures d'expression génique/moléculaire, imagerie médicale, signaux physiologiques et microscopie) et par classe de modèle.
• Focus sur les modèles : L'analyse s'est concentrée sur quatre classes principales de modèles supervisés : Forêt aléatoire (Random Forest), Réseaux de neurones, Machines à vecteurs de support (SVM) et Régression logistique.
• Évaluation : L'auteur a évalué la cohérence du rapport de performance, notant qu'une évaluation formelle du risque de biais (ex. : PROBAST) n'a pas été effectuée en raison de l'hétérogénéité substantielle des objectifs et des conceptions d'études. Au lieu de cela, la qualité méthodologique a été évaluée de manière descriptive lors de la synthèse des données.

Résultats clés

• Distribution des modèles : La Forêt aléatoire était la classe de modèle la plus fréquemment évaluée (23 des 54 évaluations, soit 42,6 %), suivie des Réseaux de neurones (17, 31,5 %), des Machines à vecteurs de support (9, 16,7 %) et de la Régression logistique (5, 9,3 %).
• Alignement des modalités : Les études d'imagerie favorisaient généralement les approches par Réseaux de neurones, probablement en raison de leur capacité à apprendre des caractéristiques spatiales à partir d'entrées de haute dimension. À l'inverse, les études d'expression moléculaire utilisaient fréquemment les Forêts aléatoires.
• Rapport de performance : Une comparaison directe de la performance des modèles entre les études n'était pas possible en raison des variations dans les modalités d'entrée, la composition des cohortes, le prétraitement, les stratégies de validation et les points de terminaison rapportés.
  • Métriques : L'exactitude (Accuracy) et l'Aire sous la courbe ROC (AUC) étaient les mesures de performance dominantes. 14 évaluations ont rapporté l'exactitude seule, 20 l'AUC seule, et 20 les deux.
  • Déficiences : Seules 16 évaluations (30 %) ont rapporté des mesures supplémentaires cliniquement informatives telles que la sensibilité, la spécificité, le score F1 ou le coefficient de corrélation de Matthews.
• Généralisabilité : Les preuves n'ont pas soutenu l'existence d'une classe de modèle universellement optimale. La performance dépendait fortement de l'alignement entre l'algorithme et les propriétés biologiques et techniques spécifiques des données d'entrée.

Principales contributions

1. Cartographie systématique : Le document fournit une cartographie complète du paysage actuel du diagnostic ML basé sur l'hôte, détaillant la prévalence de modèles spécifiques à travers différentes modalités de données.
2. Analyse du reporting : Il souligne une lacune importante dans les normes de rapport, spécifiquement la dépendance excessive à l'Exactitude et à l'AUC tout en sous-rapportant les métriques spécifiques aux classes (sensibilité, spécificité) et les mesures de calibration, ce qui limite l'interprétabilité clinique de ces modèles.
3. Sélection contextuelle des modèles : La revue établit que la sélection du modèle doit être dictée par la structure et les contraintes des données d'entrée (ex. : dimensionnalité, structure du bruit) plutôt que par la recherche d'un algorithme unique supérieur.
4. Cadre de translation : Il esquisse les étapes nécessaires à la translation clinique, incluant le besoin de validation externe, de descriptions transparentes du prétraitement et du développement de sorties indépendantes de la maladie (ex. : bactérien vs viral vs non infectieux) plutôt que de classificateurs spécifiques aux agents pathogènes.

Signification et affirmations
L'auteur affirme que bien que l'apprentissage automatique basé sur l'hôte présente un potentiel clair pour soutenir la classification des maladies infectieuses et réduire les traitements antimicrobiens inutiles, le domaine est actuellement entravé par l'hétérogénéité méthodologique et l'incohérence du reporting. Le document soutient qu'aucune classe de modèle n'est uniformément supérieure pour tous les types de données. Au lieu de cela, l'opportunité la plus immédiate de progrès réside dans l'amélioration de la standardisation. L'auteur soutient qu'un rapport cohérent du prétraitement, de la validation, de la sélection des hyperparamètres et d'un éventail plus large de métriques de performance (au-delà de la simple AUC) est essentiel pour rendre les études reproductibles et cliniquement interprétables. Les travaux futurs doivent prioriser les sorties généralisables et indépendantes de la maladie, ainsi que les panels de biomarqueurs ciblés pouvant être mesurés dans des délais cliniquement utiles, afin de faire passer ces systèmes de démonstrations rétrospectives à des outils d'aide à la décision de grande valeur.