Évaluation de l'utilisation de techniques d'apprentissage automatique pour classer les syndromes PARKinsoniens neurodégénératifs (intelligence artificielle) (PARKIA)

Le diagnostic de la maladie de Parkinson (MP) repose principalement sur l'observation clinique du patient, à la recherche des trois symptômes caractéristiques et reste parfois un véritable défi. Les algorithmes d'apprentissage automatique (ML) pourraient aider à diagnostiquer précocement la MP et à différencier la MP idiopathique des syndromes parkinsoniens atypiques.

Dans ce contexte, les travaux de l'équipe de Castillo-Barnes ont fourni un ensemble de caractéristiques d'imagerie basées sur des caractéristiques morphologiques extraites de DaTSCAN® ou d'Ioflupane (radiopharmaceutique radiopharmaceutique marqué à l'iode 123) par tomographie par émission monophotonique (SPECT) pour discerner les participants sains de participants atteints de la maladie de Parkinson dans un ensemble équilibré de TEMPs de la base de données "Parkinson's Progression Markers Initiative" (PPMI).

L'équipe de Shabii et al, a évalué les performances de classification des patients atteints de la maladie de Parkinson et des témoins normaux lorsque des indicateurs semi-quantitatifs et des caractéristiques de forme obtenus sur le transporteur de dopamine (DAT) par Ioflupane (123I-IP) tomographie par émission monophotonique (SPECT) sont combiné en tant que fonctionnalité d'apprentissage automatique (ML).

Les méthodes basées sur l'IA peuvent améliorer les évaluations diagnostiques. Plusieurs études d'imagerie dopaminergique utilisant l'IA ont rapporté une précision allant jusqu'à 90 % pour le diagnostic de la MP.

Ces approches automatisées utilisent des méthodes d'apprentissage automatique, basées sur des analyses texturales, pour (i) différencier la MP et les sujets sains, (ii) différencier la MP et le parkinsonisme vasculaire, et (iii) distinguer les différentes formes de parkinsonisme atypique.

Une étude menée dans 2 centres utilisant un modèle de machine à vecteurs à support linéaire (SVM) a discriminé les patients atteints de MP et les sujets sains avec une précision de 82,5 %. Cette performance est similaire à l'évaluation visuelle par les médecins nucléaires Un modèle SVM linéaire basé sur des valeurs de voxel les images paramétriques ont pu différencier la MP du parkinsonisme vasculaire avec une précision de 90,4 %. L'équipe de Nancy possède une vaste expérience dans la détection de la MP dans les scanners SPECT et SPECT/CT avec Ioflupane ou DaTSCAN™