En février dernier, IEEE nous présentait la puissance des algorithmes d’apprentissage machine (deep learning) dans la prédiction de l’autisme chez les enfants de deux ans sur la base des changements structurels du cerveau à partir de six mois. Aujourd’hui, les même chercheurs de l’Université de Caroline du Nord ont de nouveau sévi avec des résultats encore plus impressionnants.
Cette fois, au lieu des changements structurels, ils ont pu détecter les changements dans la fonction cérébrale des enfants de seulement six mois prédisant si les enfants développeraient plus tard l’autisme. L’étude est remarquable car il n’y avait aucun faux positif ; tous les enfants dont les chercheurs avaient prédit qu’ils serait touchés par l’autisme l’ont effectivement été.
L’équipe, dirigée par Joseph Piven de l’UNC et John Pruett à l’École de médecine de l’Université de Washington, a scanné le cerveau des nourrissons pendant qu’ils dormaient. Les enfants ont été à nouveau scannés à l’âge de deux ans et ont complété des évaluations comportementales et cliniques. Chaque balayage d’IRM de connectivité fonctionnelle (IRMF) a mesuré l’activité de 26 335 connexions cérébrales dans 230 régions du cerveau. En utilisant ces données, un algorithme d’apprentissage machine a analysé comment l’activité de chaque partie du cerveau était synchronisée avec d’autres parties du cerveau. L’équipe s’est concentrée sur les régions du cerveau associées aux principales caractéristiques de l’autisme, telles que les compétences linguistiques et les comportements répétitifs.
