Des chercheurs et cliniciens de l’Institut du Cerveau à l’Hôpital Pitié-Salpêtrière AP-HP ont validé l’utilisation en clinique d’un algorithme d’apprentissage automatique (machine learning) utilisant des données d’imagerie par résonance magnétique (IRM) permettant de distinguer des sujets atteints de différents syndromes parkinsoniens, comme la maladie de Parkinson, la paralysie supranucléaire progressive ou encore l’atrophie multi-systématisée. Les résultats sont publiés dans la revue Movement Disorders.
Les syndromes parkinsoniens d’origine dégénérative comprennent la maladie de Parkinson sporadique (MP), représentant plus de 80% des cas, et des maladies dites atypiques, qui incluent la paralysie supranucléaire progressive (PSP) et l’atrophie multi-systématisée (AMS). Distinguer ces maladies est souvent difficile en raison d’un recouvrement des signes cliniques, notamment à la phase initiale de la maladie. Or un diagnostic correct est crucial en vue d’une prise en charge adéquate des patients et avant inclusion dans des essais thérapeutiques.
A l’heure actuelle, le diagnostic repose sur des critères cliniques. Si la précision diagnostique de la maladie de Parkinson a beaucoup progressé ces dernières années, celle des pathologies apparentées reste limitée. Ces maladies sont caractérisées, sur le plan neuropathologique, par des patterns d’atteinte spécifiques qu’il est possible de détecter en IRM multimodale. Des études menées en milieu de recherche ont montré que des algorithmes d’apprentissage automatique utilisant des biomarqueurs IRM permettaient une bonne catégorisation des sujets atteints de syndrome parkinsonien atypique. Afin d’être applicables en routine médicale, ces outils doivent faire l’objet d’une validation clinique.
Une étude conduite par Lydia Chougar, neuroradiologue à l’Hôpital Pitié-Salpêtrière et dans l’équipe de Stéphane Lehéricy et Marie Vidailhet à l’Institut du Cerveau, a évalué les performances de tels algorithmes chez des patients atteints de différents syndromes parkinsoniens (MPI, PSP et AMS) recrutés en milieu clinique. Ces algorithmes ont d’abord été « entrainés » sur un groupe de sujets inclus dans des études de recherche, constituée de patients parkinsoniens sporadiques et atypiques à un stade avancé de la maladie et de sujets sains appariés, puis testés sur un groupe de patients similaire recrutés en conditions cliniques au sein du département de neurologie et ayant bénéficié d’une IRM clinique dans le service de neuroradiologie de l’Hôpital Pitié-Salpêtrière AP-HP. Trois cent vingt-deux sujets ont été inclus dans l’étude, 119 atteints de MP, 51 de PSP, et 58 d’AMS, de forme parkinsonienne (35) ou cérébelleuse (23) et des sujets sains.
Les chercheurs ont montré la capacité des algorithmes d’apprentissage automatique à catégoriser les différents syndromes parkinsoniens sur la base de biomarqueurs IRM, obtenus dans le cadre de leur prise en charge clinique habituelle, à des stades précoces ou intermédiaires de ces pathologies. Les mesures de volume de certaines régions cérébrales permettaient la meilleure discrimination entre les différents syndromes. Dans le futur, l’ajout de nouveaux biomarqueurs, comme la mesure des dépôts de fer dans les tissus, pourrait permettre un gain en précision diagnostique. L’intégration de ce type d’algorithme dans la prise en charge clinique des patients parkinsoniens pourrait, à l’avenir, permettre d’améliorer le diagnostic des syndromes parkinsoniens à une phase précoce.
Source
Automated Categorization of Parkinsonian Syndromes Using Magnetic Resonance Imaging in a Clinical Setting. Chougar L, Faouzi J, Pyatigorskaya N, Yahia-Cherif L, Gaurav R, Biondetti E, Villotte M, Valabrègue R, Corvol JC, Brice A, Mariani LL, Cormier F, Vidailhet M, Dupont G, Piot I, Grabli D, Payan C, Colliot O, Degos B, Lehéricy S. Mov Disord. 2020 Nov 2.