Transfert Learning du "Big Data" au "Small Data": Permettre l'identification de Biomarqueurs de Neuroimagerie Anatomique pour les Pathologies Psychiatriques – Big2small

Contrairement à de nombreuses autres spécialités médicales, la psychiatrie ne dispose pas de mesures quantitatives objectives (dosage sanguin) pour guider les cliniciens dans le choix d'une stratégie thérapeutique. L'anatomie cérébrale est une empreinte des antécédents génétiques et environnementaux de l'individu. L'identification des signatures cérébrales pronostiques de l'évolution clinique ou de la réponse au traitement ouvrirait la voie à une médecine personnalisée en psychiatrie. De nombreuses initiatives internationales ont regroupé d'importants jeux de données (>10K sujets pour la population générale, ~2K pour les cohortes de patients/témoins en santé). Cependant, leur grande hétérogénéité et leur conception transversale empêchent d'apprendre les prédicteurs du pronostic individuel des patients (réponse au traitement, évolution clinique). D'autres initiatives ont récemment donné lieu à des bases de données plus petites et plus homogènes sur le plan clinique (N<500), avec le suivis longitudinal permettant d'évaluer la réponse au traitement et la transition vers la maladie chez les patients à risque. Le coût élevé par patient (>10K€) limite la faisabilité du passage à l'échelle (au moins quelques milliers) nécessaire pour construire des modèles prédictifs suffisamment reproductibles pour une application clinique régulière.
Ce projet propose 3 stratégies d'apprentissage par transfert (réseaux de neurones profonds, clustering, approche dimensionnelle du continuum des pathologies psychiatriques) pour réconcilier grandes et petites données. Ces 3 stratégies se décomposent en 3 étapes : (i) modélisation de la variabilité générale du cerveau sur de grandes bases de la population générale ; (ii) transfert (réglage fin, etc.) sur des bases cas-témoins (de taille moyennes) pour focaliser les modèles sur une pathologie spécifique ; (iii) transfert final sur de "petites " cohortes longitudinales pour permettre l'apprentissage des modèles pronostiques d'évolution clinique ou de la réponse aux traitements. Le succès de ce projet démontrerait que l'IA pourrait bénéficier au soin en santé mentale, qui est la principale cause d'invalidité et de coûts directs et indirects dans le monde.