Examiner l'âge du cerveau : des idées sur la santé cognitive

Le cerveau humain change avec l'âge, et on peut voir ces changements grâce à des scans cérébraux. Les scientifiques utilisent un type de scan appelé imagerie par résonance magnétique (IRM) pour observer ces changements sans avoir à faire de chirurgie. En vieillissant, les capacités de réflexion des gens peuvent également évoluer, et ces deux processus sont liés. Des changements anormaux dans le cerveau durant la vieillesse ou l'enfance peuvent augmenter le risque de problèmes de santé mentale. Pour étudier ces changements, les chercheurs ont développé un concept connu sous le nom de "Âge Cérébral". L'âge cérébral prédit à quel point le cerveau d'une personne semble vieux par rapport à son âge réel, un âge cérébral plus élevé indiquant que le cerveau vieillit plus vite que la normale. Cette idée permet de résumer des schémas cérébraux complexes en un seul chiffre, tout en tenant compte des différences individuelles.

#Prédiction de l'âge cérébral

La plupart des études sur l'âge cérébral commencent par utiliser un logiciel spécial pour analyser les IRM. Ils extraient des informations comme le volume de matière grise et l'épaisseur du cortex. Ensuite, un modèle d'Apprentissage automatique est entraîné pour prédire l'âge d'une personne en utilisant les caractéristiques extraites. L'entraînement implique généralement des participants considérés comme cognitivement normaux, c'est-à-dire sans problèmes de santé mentale. Une fois le modèle entraîné, il peut être utilisé sur de nouveaux participants pour estimer leur âge cérébral.

Récemment, les modèles d'Apprentissage profond ont commencé à être préférés aux modèles d'apprentissage automatique traditionnels pour prédire l'âge cérébral. Les modèles d'apprentissage profond peuvent apprendre des caractéristiques importantes directement à partir des IRM brutes, ce qui rend le processus plus facile et plus rapide. Cette approche réduit le besoin de prétraitements longs et d'expertises. Certains de ces modèles d'apprentissage profond ont été rendus disponibles au public et ont montré de bonnes performances sur de nouvelles données non vues. Cependant, la plupart des données utilisées pour former ces modèles proviennent de participants caucasiens, ce qui pourrait conduire à un biais dans leur efficacité pour d'autres groupes ethniques.

Pour améliorer la performance du modèle sur des participants de différents horizons, les chercheurs peuvent utiliser une méthode appelée Ajustement fin. Cette méthode permet au modèle d'apprendre à partir d'un plus petit ensemble de données tout en conservant certaines de ses capacités acquises à partir du plus grand ensemble de données d'origine. Jusqu'à présent, peu de recherches se sont concentrées sur l'efficacité d'un modèle principalement entraîné sur des données caucasiennes pour des enfants et des participants âgés d'origine asiatique.

#Importance de l'âge cérébral dans la fonction cognitive

En plus de prédire l'âge cérébral, les chercheurs s'intéressent à la façon dont cette information est liée à d'autres traits importants, comme la fonction cognitive. La différence entre l'âge cérébral prédit d'une personne et son âge réel est appelée l'Écart d'âge cérébral (EAC). Des études ont trouvé que l'EAC peut être lié à divers troubles cérébraux, risques de décès et capacités cognitives. Cependant, la plupart des études n'ont examiné qu'une seule période, au lieu de suivre les changements dans le temps chez des individus en bonne santé.

Il y a des preuves que regarder les mesures cérébrales à un seul moment peut ne pas capturer tous les facteurs qui affectent un individu. Des études longitudinales, qui suivent les participants dans le temps, pourraient fournir plus d'informations. Cependant, l'utilité de suivre les changements dans l'âge cérébral au fil du temps n'a pas été testée en profondeur chez des participants en bonne santé.

#Objectifs de recherche

Cette étude vise à tester à quel point un modèle d'âge cérébral d'apprentissage profond entraîné sur un grand nombre d'individus fonctionne avec des participants âgés et des enfants asiatiques. Nous allons ajuster finement le modèle pour voir si les prédictions s'améliorent. Nous examinerons également comment les changements dans l'âge cérébral peuvent être liés à de futures capacités cognitives. Enfin, nous enquêterons sur les caractéristiques du cerveau qui sont les plus importantes pour faire ces prédictions.

#Conception de l'étude

Nous avons utilisé un modèle d'âge cérébral qui a été entraîné sur plus de 30 000 individus de tous âges. Pour notre recherche, nous nous sommes concentrés sur trois ensembles de données provenant de Singapour. Ceux-ci incluaient :

1. L'étude sur l'épidémiologie de la démence à Singapour (EDIS), qui impliquait 694 personnes âgées.
2. L'étude longitudinale sur le vieillissement du cerveau à Singapour (SLABS), qui comprenait 215 participants âgés en bonne santé.
3. L'étude "Growing Up in Singapore Towards Healthy Outcomes" (GUSTO), qui consistait en 678 enfants en bonne santé.

Nous avons également recueilli des informations sur la démographie et les fonctions cognitives des participants.

#Performance du modèle

Pour évaluer le modèle d'âge cérébral, nous avons entré les IRM dans le modèle pré-entraîné. Nous avons aussi ajusté finement le modèle en utilisant la validation croisée. Les résultats ont montré que le modèle pré-entraîné fonctionnait bien chez les adultes âgés, tandis que le modèle ajusté était précis pour les participants âgés et les enfants.

Dans les ensembles de données pour les personnes âgées (EDIS et SLABS), les âges cérébraux prévus corrélaient bien avec leurs âges réels, montrant que le modèle fonctionnait efficacement. Après l'ajustement fin, les prédictions du modèle se sont légèrement améliorées mais sont restées similaires à celles du modèle d'origine.

Pour l'ensemble de données des enfants (GUSTO), le modèle pré-entraîné ne fonctionnait pas aussi bien au départ, montrant une corrélation plus faible. Cependant, après l'ajustement fin, la précision a considérablement augmenté, indiquant que le modèle était meilleur pour prédire l'âge cérébral des enfants.

#Écart d'âge cérébral et fonction cognitive chez les personnes âgées

Pour vérifier notre modèle, nous avons examiné la relation entre l'écart d'âge cérébral (EAC) et la performance cognitive des participants âgés. Nous avons constaté qu'un EAC plus élevé était lié à une performance cognitive inférieure dans diverses capacités cognitives telles que la fonction exécutive, le langage et la mémoire. Ces résultats sont restés valables même après ajustement pour des facteurs comme l'âge, le sexe et l'éducation.

Dans le cadre de SLABS, nous avons également examiné comment les changements d'âge cérébral dans le temps étaient liés au déclin cognitif des participants âgés. Bien que nous ayons trouvé des associations faibles avec l'EAC de base, des résultats plus significatifs sont apparus lorsque nous avons étudié le taux précoce de changement de l'EAC et sa relation avec les changements cognitifs à long terme. Cela suggère que les changements continus dans l'âge cérébral pourraient fournir des informations supplémentaires sur le déclin cognitif.

#Écart d'âge cérébral chez les enfants et fonction cognitive

En passant à l'ensemble de données des enfants (GUSTO), nous avons évalué la relation entre l'âge cérébral et la performance cognitive. Au départ, nous n'avons pas trouvé de connexions significatives entre l'EAC de base et les scores cognitifs. Cependant, nous avons observé une association positive entre le taux précoce de changement de l'EAC et la performance cognitive future en matière de compétences d'inhibition. Cela indique qu'une augmentation plus rapide de l'âge cérébral durant la petite enfance pourrait suggérer un meilleur développement cognitif.

#Caractéristiques influençant les prédictions d'âge cérébral

Pour comprendre comment le modèle a fait ses prédictions, nous avons employé la rétropropagation guidée pour mettre en évidence les zones du cerveau qui ont le plus contribué aux prédictions. Pour les personnes âgées, des zones importantes comprenaient des régions près des ventricules latéraux et des zones associées aux fonctions cognitives. En revanche, le modèle pour les enfants a mis en avant d'autres zones, montrant une plus forte emphase sur les contributions de la matière blanche.

#Généralité du modèle

Notre étude met en évidence que le modèle d'âge cérébral pré-entraîné peut être appliqué avec succès aux participants âgés de Singapour, mais doit être ajusté pour les enfants. Les résultats suggèrent que le modèle peut bien se généraliser à différents groupes ethniques lorsqu'il est correctement entraîné. Bien que des études antérieures aient indiqué que les changements dans la structure cérébrale des personnes âgées de Singapour étaient similaires à ceux observés chez des participants caucasiens, nos résultats confirment que le modèle d'âge cérébral tient aussi la route lors de l'examen.

#Conclusion

Ce travail fournit des preuves préliminaires que l'âge cérébral peut être une mesure utile pour évaluer la santé cognitive chez les enfants et les personnes âgées de divers horizons. Comprendre comment l'âge cérébral est lié à la fonction cognitive peut aider à identifier les individus à risque de déclin cognitif. Les travaux futurs devraient explorer davantage la généralité du modèle à travers différents groupes ethniques et âges, tout en élargissant les ensembles de données pour obtenir une compréhension complète de la manière dont l'âge cérébral évolue tout au long de la vie.