Principes de l'IA, applications en physiopathologie, aide au diagnostic et biomarqueurs

Auteur :
Jean-Marie Batail

L’intelligence artificielle (IA), définie par John McCarthy en 1958 comme "la science et l'ingénierie de la création de machines intelligentes", est un outil mathématique capable de résoudre des problèmes complexes et d’apprendre de l’expérience. En psychiatrie, l’IA permet d’intégrer et d’analyser des données cliniques, biologiques et environnementales, souvent inaccessibles à l’humain, facilitant ainsi l’étude des maladies mentales. Lors du 37^ème congrès de l’European College of Neuropsychopharmacology, à Milan, l’IA, fidèle à sa popularité, a été omniprésente dans les échanges.

Une application prometteuse de l’IA est l’outil ENTER (E-Detection Tool for Emerging Mental Disorders), développé par l’équipe du Pr Paolo Fusar-Poli, qui prédit avec une précision de 80 % le risque de transition psychotique¹. En combinant l’analyse du langage naturel et les dossiers médicaux, cette précision a été portée à plus de 85%². Ces technologies sont désormais explorées pour le dépistage de la dépression. Une littérature émergente a montré que les algorithmes d'IA peuvent prédire les symptômes dépressifs émergents avec des résultats prometteurs pour la détection précoce et l'intervention en santé mentale³.

L’IA a aussi été appliquée à l’imagerie cérébrale. Le consortium ENIGMA a analysé les données de plus de 5 000 patients et témoins, identifiant des anomalies de connectivité cérébrale spécifiques aux troubles comme la schizophrénie, le trouble bipolaire et la dépression. Ces travaux ont révélé un chevauchement d’épicentres de connectivité (au sens convergence) dans la schizophrénie et le trouble bipolaire, mais pas dans le trouble dépressif majeur, confirmant une continuité physiopathologique entre ces troubles⁴. L’IA se montre ainsi utile pour identifier des biomarqueurs spécifiques à chaque pathologie, facilitant le diagnostic et le développement de traitements adaptés.

Tout le dossier spécial

Références : 

<sup>1. Fusar-Poli, P., Rutigliano, G., Stahl, D., Davies, C., Bonoldi, I., Reilly, T., McGuire, P., 2017. Development and Validation of a Clinically Based Risk Calculator for the Transdiagnostic Prediction of Psychosis. JAMA Psychiatry 74, 493–500. doi.org/10.1001/jamapsychiatry.2017.0284 
2. Irving, J., Patel, R., Oliver, D., Colling, C., Pritchard, M., Broadbent, M., Baldwin, H., Stahl, D., Stewart, R., Fusar-Poli, P., 2021. Using Natural Language Processing on Electronic Health Records to Enhance Detection and Prediction of Psychosis Risk. Schizophr Bull 47, 405–414. doi.org/10.1093/schbul/sbaa126 
3. Mary, U.C., Nwoye, E., 2023. Artificial Intelligence (AI) for Early Detection of Depression Using Machine Learning, in: Arai, K. (Ed.), Proceedings of the Future Technologies Conference (FTC) 2023, Volume 2, Lecture Notes in Networks and Systems. Springer Nature Switzerland, Cham, pp. 259–272. doi.org/10.1007/978-3-031-47451-4_19
4. Georgiadis, F., Larivière, S., Glahn, D., Hong, L.E., Kochunov, P., Mowry, B., Loughland, C., Pantelis, C., Henskens, F.A., Green, M.J., Cairns, M.J., Michie, P.T., Rasser, P.E., Catts, S., Tooney, P., Scott, R.J., Schall, U., Carr, V., Quidé, Y., Krug, A., Stein, F., Nenadić, I., Brosch, K., Kircher, T., Gur, Raquel, Gur, Ruben, Satterthwaite, T.D., Karuk, A., Pomarol- Clotet, E., Radua, J., Fuentes-Claramonte, P., Salvador, R., Spalletta, G., Voineskos, A., Sim, K., Crespo-Facorro, B., Tordesillas Gutiérrez, D., Ehrlich, S., Crossley, N., Grotegerd, D., Repple, J., Lencer, R., Dannlowski, U., Calhoun, V., Rootes-Murdy, K., Demro, C., Ramsay, I.S., Sponheim, S.R., Schmidt, A., Borgwardt, S., Tomyshev, A., Lebedeva, I., Höschl, C., Spaniel, F., Preda, A., Nguyen, D., Uhlmann, A., Stein, D.J., Howells, F., Temmingh, H.S., Diaz Zuluaga, A.M., López Jaramillo, C., Iasevoli, F., Ji, E., Homan, S., Omlor, W., Homan, P., Kaiser, S., Seifritz, E., Misic, B., Valk, S.L., Thompson, P., Van Erp, T.G.M., Turner, J.A., ENIGMA Schizophrenia Consortium, Bernhardt, B., Kirschner, M., 2024. Connectome architecture shapes large-scale cortical alterations in schizophrenia: a worldwide ENIGMA study. Mol Psychiatry 29, 1869–1881. doi.org/10.1038/s41380-024-02442-7</sup>