Un cadre d'IA prédit la charge amyloïde et tau dans la maladie d'Alzheimer sans recourir aux scanners TEP

La maladie d'Alzheimer (MA) est définie biologiquement par l'accumulation progressive de plaques de bêta-amyloïde (Aβ) et d'enchevêtrements neurofibrillaires de tau (τ), qui se développent plusieurs années avant l'apparition des symptômes. L'imagerie PET constitue le gold standard pour détecter ces pathologies, mais elle est coûteuse, inaccessible en soins courants et logistiquement contraignante. Les quelque 42,5 milliards de dollars dépensés dans le développement de médicaments contre la MA entre 1995 et 2021 — avec un taux d'échec de 95 % — illustrent le coût considérable du processus de sélection actuellement dépendant de la PET pour les essais cliniques. Une alternative évolutive et rentable est donc urgellement nécessaire.

L'équipe de recherche a construit un cadre d'apprentissage automatique à deux étapes basé sur des transformeurs, intégrant sept cohortes indépendantes : NACC, A4, OASIS3, AIBL, FHS, ADNI et HABS. Les modalités de données d'entrée comprenaient des données démographiques, des antécédents médicaux, des évaluations neuropsychologiques, des marqueurs génétiques (dont le statut APOE), des résultats d'examens physiques et neurologiques, ainsi que des volumes cérébraux dérivés d'IRM multi-séquences. Les variables ont été harmonisées selon le format Uniform Data Set 3 (UDS3). La première étape a entraîné le modèle à prédire conjointement la positivité globale à l'Aβ et la positivité au tau méta-temporal (méta-τ). La deuxième étape a affiné le modèle pour prédire la positivité régionale à la PET tau dans des régions cérébrales anatomiquement distinctes. Le cadre a été explicitement conçu pour gérer les données manquantes à l'aide d'embeddings spécifiques à chaque modalité, reflétant ainsi l'hétérogénéité clinique du monde réel.

Le modèle a atteint un AUROC de 0,79 pour la classification de l'amyloïde et de 0,84 pour la classification du tau sur des jeux de données de validation externe (ADNI et HABS) ainsi que sur un sous-ensemble de test NACC. Les statuts PET prédits étaient cohérents avec les profils de biomarqueurs établis, incluant les marqueurs du LCR et plasmatiques, et corrélaient avec les grades de neuropathologie post-mortem. L'analyse des valeurs de Shapley (SHAP) portant sur les volumes cérébraux régionaux dérivés de l'IRM a révélé des clusters de régions cérébrales importantes qui correspondaient aux schémas spatiaux connus de dépôt du tau — notamment dans les régions temporales médiales et néocorticales. Un algorithme de détection de communautés par réseau de graphes a confirmé que les clusters régionaux identifiés par le modèle correspondaient étroitement aux communautés dérivées des valeurs réelles de SUVr de la PET tau régionale.

La prédiction conjointe de l'Aβ et du τ constitue une avancée scientifique majeure, ces deux pathologies interagissant de manière synergique dans la progression de la MA. En produisant des probabilités calibrées, le cadre permet de situer les individus sur des critères de stadification biologique établis (par exemple, la stadification AT), ce qui autorise une stratification du risque continue plutôt que binaire. Cela présente une pertinence clinique directe pour des essais tels que TRAILBLAZER-ALZ 2, où la charge en tau a prédit une réponse différentielle au Donanemab — une thérapie réduisant l'amyloïde.

Les auteurs reconnaissent que les biomarqueurs plasmatiques tels que le p-tau 217 offrent des performances prometteuses en tant qu'outil autonome pour la détection de l'amyloïde, mais qu'ils manquent de la résolution spatiale et de la généralisabilité inter-populations nécessaires pour remplacer la PET dans la stadification du tau. Leur cadre multimodal, en revanche, capture la topologie régionale du tau de manière non invasive et tolère les données incomplètes. Cette approche représente une voie pratique de présélection susceptible de réduire les coûts de l'imagerie PET, d'élargir l'évaluation de l'éligibilité aux essais cliniques et de faciliter une intervention plus précoce dans les populations disposant d'un accès limité à la neuroimagerie avancée.