Des scanners cérébraux pour aider à identifier l'autisme?

Des recherches émergentes suggèrent qu'il pourrait y avoir un jour où des anomalies cérébrales associées à l'autisme peuvent être détectées par des scintigraphies cérébrales.

La détection précoce de ces anomalies cérébrales spécifiques pourrait conduire à un meilleur diagnostic et à une meilleure compréhension des troubles du spectre autistique.

La découverte des biomarqueurs associés à l'autisme a été un défi, souvent parce que les méthodes prometteuses pour un groupe de patients échouent lorsqu'elles sont appliquées à un autre.

Dans une nouvelle étude, cependant, les scientifiques rapportent un nouveau degré de succès. Leur biomarqueur proposé a fonctionné avec un degré de précision comparativement élevé dans l'évaluation de deux ensembles diversifiés d'adultes.

Les scientifiques ont développé un algorithme informatique appelé «classificateur»Parce qu'il peut classer des ensembles de sujets - ceux qui ont un trouble du spectre autistique et ceux qui n'en ont pas - sur la base de scanners cérébraux d'imagerie par résonance magnétique fonctionnelle (IRMf).

En analysant des milliers de connexions de connectivité du réseau cérébral chez des dizaines de personnes avec et sans autisme, le logiciel a trouvé 16 connexions fonctionnelles interrégionales clés qui lui ont permis de dire, avec une grande précision, qui avait traditionnellement reçu un diagnostic d'autisme et qui ne l'avait pas été.

La technologie a été principalement développée au Advanced Telecommunications Research Institute International de Kyoto, au Japon, avec des contributions majeures de trois co-auteurs de l'Université Brown de Rhode Island.

Les chercheurs ont étudié 181 adultes volontaires sur trois sites au Japon, puis ont appliqué l'algorithme à un groupe de 88 adultes américains sur sept sites. Tous les volontaires de l'étude avec des diagnostics d'autisme n'avaient pas de déficience intellectuelle.

«C'est la première étude à appliquer [avec succès] un classificateur à une cohorte totalement différente», a déclaré l'auteur co-correspondant, le Dr Yuka Sasaki, professeur agrégé de recherche en sciences cognitives, linguistiques et psychologiques à Brown.

«Il y a eu de nombreuses tentatives auparavant. Nous avons finalement surmonté le problème. »

Le classificateur, qui combine deux algorithmes d'apprentissage automatique, a bien fonctionné dans chaque population, avec une précision moyenne de 85% chez les volontaires japonais et de 75% chez les Américains.

Les chercheurs ont calculé que la probabilité de voir ce degré de performance entre populations purement par hasard était de 1,4 sur un million.

Les chercheurs ont validé l’efficacité du classificateur d’une autre manière en comparant la prédiction du classificateur d’un diagnostic d’autisme à la principale méthode de diagnostic actuellement disponible pour les cliniciens, le programme d’observation diagnostique de l’autisme (ADOS).

L’ADOS n’est pas basé sur des marqueurs de la biologie ou de la physiologie, mais plutôt sur des entretiens et des observations du comportement d’un médecin. Le classificateur a pu prédire les scores sur le composant de communication ADOS avec une corrélation statistiquement significative de 0,44. La corrélation suggère que les 16 connexions identifiées par le classifieur se rapportent à des attributs d'importance dans ADOS.

Les chercheurs ont ensuite découvert que les connexions étaient associées à un réseau cérébral responsable des fonctions cérébrales telles que la reconnaissance d'autres personnes, le traitement du visage et le traitement émotionnel. Cet alignement anatomique est cohérent avec les symptômes associés aux troubles du spectre autistique tels que les perceptions sociales et émotionnelles.

Enfin, l'équipe a cherché à voir si le classificateur reflétait de manière appropriée les similitudes et les différences entre les troubles du spectre autistique et d'autres conditions psychiatriques.

L'autisme, par exemple, est connu pour partager certaines similitudes avec la schizophrénie, mais pas avec la dépression ou le trouble d'hyperactivité avec déficit de l'attention.

Lorsqu'il est appliqué à des patients atteints de chacun de ces autres troubles par rapport à des personnes similaires sans les conditions, le classificateur a montré une précision modérée mais statistiquement significative pour distinguer les patients schizophrènes, mais pas les patients souffrant de dépression ou de TDAH.

Les examens IRM nécessaires pour collecter les données étaient simples, a déclaré Sasaki. Les sujets n'avaient besoin que de passer environ 10 minutes dans la machine et n'avaient pas à effectuer de tâches spéciales. Ils devaient juste rester immobiles et se reposer.

Malgré cette simplicité et même si le classificateur a fonctionné sans précédent comme une question de recherche, a déclaré Sasaki, il n'est pas encore prêt à être un outil clinique. Bien que l'avenir puisse apporter ce développement, des améliorations seront d'abord nécessaires.

«Le niveau de précision doit être beaucoup plus élevé», a déclaré Sasaki. «Une précision de 80% peut ne pas être utile dans le monde réel.»

On ne sait pas non plus comment cela fonctionnerait chez les enfants, car les volontaires de cette étude étaient tous des adultes.

Bien que le classificateur ne soit pas prêt pour les diagnostics actuels, comme la précision améliore les scans et l'analyse peuvent non seulement être un outil de diagnostic basé sur la physiologie, mais aussi une approche pour surveiller l'efficacité du traitement.

Les médecins pourront peut-être un jour utiliser l'outil pour vérifier si les thérapies produisent des changements dans la connectivité cérébrale, a déclaré Sasaki.

La recherche est publiée dans la revue Communications de la nature.

Source: Université Brown