Translating Imaging-based Brain Age Models for Predicting Accelerated Brain Ageing in African Populations: A Pilot Study on a Nigerian Cohort.

Le cerveau humain n'est pas un organe statique ; il change de forme et de structure à mesure que nous vieillissons. Tout comme notre peau développe des rides ou que nos os perdent en densité avec le temps, le cerveau subit une transformation naturelle et graduelle. Les scientifiques ont appris à mesurer ces changements à l'aide de l'imagerie par résonance magnétique, ou IRM, pour créer un concept appelé « âge cérébral ». Il s'agit d'un nombre qui estime l'apparence de l'âge du cerveau d'une personne en fonction de sa structure physique, plutôt que du nombre d'années qu'elle a réellement vécues. Si un cerveau semble plus âgé que l'âge réel de la personne, cela peut signaler que l'organe est sous stress ou à risque de maladies comme la démence. Pendant des années, les chercheurs ont utilisé cette idée pour tenter de détecter précocement les problèmes de santé. Cependant, les outils utilisés pour calculer cet âge cérébral présentent une faille importante : ils ont été presque entièrement construits à partir de données provenant de personnes d'Amérique du Nord, d'Europe et d'Australie. Ces modèles supposent que tous les cerveaux humains vieillissent de la même manière, quel que soit l'endroit où vit une personne ou son origine. Cette hypothèse ignore le fait que la génétique, l'environnement et même les machines spécifiques utilisées pour prendre les images peuvent influencer l'apparence d'un cerveau.

Une équipe de chercheurs s'est donné pour mission de tester si ces outils fabriqués en Occident fonctionnent pour les populations d'Afrique, plus précisément au Nigeria. Ils se sont appuyés sur l'Africa Neuroimaging Archive (AfNiA), une base de données multi-institutionnelle contenant plus de 11 000 scanners cérébraux cliniques provenant de tout le continent. À partir de cette vaste archive, ils ont soigneusement sélectionné 309 scanners d'adultes nigérians neurologiquement sains, ce qui signifie qu'ils ne présentaient aucune maladie ou anomalie cérébrale connue. Ces scanners spécifiques provenaient de diverses sources, notamment d'hôpitaux publics et privés du Nigeria, et ont été réalisés à l'aide de cinq types différents d'appareils IRM. Beaucoup de ces images n'étaient pas les images 3D nettes et de haute résolution typiquement utilisées dans la recherche ; il s'agissait souvent de coupes 2D plus rapides et de moindre qualité, prises pour faire circuler rapidement les patients dans la clinique. Pour rendre ces images utilisables pour leur étude, l'équipe a utilisé un programme informatique pour convertir les coupes 2D en images 3D, comblant ainsi les lacunes pour créer une image complète du cerveau. Ils ont ensuite soumis ces images à un contrôle de qualité rigoureux, éliminant les scanners trop flous ou déformés pour être utiles, garantissant ainsi que leur ensemble de données final soit aussi fiable que possible compte tenu des contraintes du monde réel.

Une fois leur ensemble de données propre prêt, l'équipe a entraîné un nouveau modèle informatique pour apprendre la relation entre la structure cérébrale et l'âge spécifiquement pour cette population nigériane. Ils ont appris au modèle à observer la taille et la forme de différentes régions du cerveau et à prédire l'âge de la personne. Lorsqu'ils ont testé ce nouveau modèle, celui-ci a fait des prédictions erronées de 9,8 ans en moyenne avant l'application d'un ajustement statistique standard. Après avoir effectué une correction simple pour tenir compte d'une tendance commune de ces modèles à surestimer l'âge des personnes jeunes et à sous-estimer l'âge des personnes âgées, l'erreur est tombée de manière significative à seulement 6,4 ans. Ce niveau de précision est comparable aux meilleurs modèles entraînés sur de grands ensembles de données de haute qualité provenant du Nord global, mais il a été obtenu avec des données beaucoup plus représentatives de la population locale.

Pour voir comment les anciens modèles importés se comporteraient, les chercheurs ont testé quatre outils d'âge cérébral établis différents sur les mêmes données nigérianes. Ces outils avaient été entraînés sur des dizaines de milliers de scanners de personnes du Royaume-Uni, des États-Unis et d'Europe. Les résultats sont frappants. Les modèles importés ont commis des erreurs beaucoup plus importantes, certains étant erronés de plus de 16 ans en moyenne. Un autre modèle, l'un des plus avancés en matière d'apprentissage profond (deep learning), qui avait été loué pour sa capacité à se généraliser à de nouveaux groupes, a totalement échoué sur une petite partie des scanners, étant incapable de traiter les images. Un autre modèle a si mal performé qu'il a en fait prédit la mauvaise direction du vieillissement pour le groupe. Les chercheurs ont constaté que ces modèles essayaient essentiellement de forcer les cerveaux nigérians à correspondre à un schéma qu'ils n'avaient jamais vu, ce qui entraînait de la confusion et des résultats inexacts. L'étude a montré que même les outils les plus sophistiqués ne peuvent pas simplement être transférés d'un continent à l'autre sans perdre leur fiabilité.

L'étude a également mis en évidence les défis pratiques liés à l'apport de ces technologies dans des contextes à ressources limitées. Bien que le nouveau modèle construit soit précis, le processus de préparation des images a nécessité un temps considérable. La conversion et l'analyse des scanners pour l'ensemble des 309 participants ont nécessité près de 40 jours de traitement informatique continu. Ce goulot d'étranglement, causé par la nécessité de décomposer les images cérébrales en parties spécifiques avant que le modèle ne puisse les lire, constitue un obstacle majeur pour l'utilisation de ces outils dans des hôpitaux très occupés où la rapidité est essentielle. Les chercheurs ont noté que si des méthodes plus récentes et plus rapides existent, elles nécessitent souvent des ordinateurs puissants et coûteux qui ne sont pas disponibles dans de nombreuses parties de l'Afrique. Cela crée un arbitrage difficile : les modèles les plus précis sont trop lents et trop chers pour être largement utilisés, tandis que les modèles plus rapides sont souvent moins précis ou échouent totalement sur les données locales.

En fin de compte, ce travail démontre que la voie vers une meilleure santé cérébrale en Afrique nécessite une approche différente. Il ne suffit pas de prendre les outils développés dans les pays riches et de les appliquer aux populations africaines. Les chercheurs ont montré qu'en utilisant des données locales pour construire des modèles locaux, ils pouvaient obtenir des résultats à la fois plus précis et plus pertinents pour les personnes étudiées. Ils ont conclu que l'avenir de la santé cérébrale mondiale dépend de la création d'un écosystème d'outils diversifiés, chacun étant validé pour les populations spécifiques qu'il est censé aider. Alors qu'ils continuent de recueillir des données à travers le continent, ils espèrent affiner davantage ces modèles, afin de créer à terme un système capable d'identifier de manière fiable les individus présentant un risque de vieillissement cérébral accéléré, permettant ainsi une intervention plus précoce et de meilleurs soins pour des millions de personnes qui ont longtemps été laissées de côté dans la conversation.