Publié le 10 décembre 2025 16:24:00. Des chercheurs de l’Université de Floride Atlantique ont développé un outil d’intelligence artificielle capable de distinguer avec une grande précision deux formes de démence – la maladie d’Alzheimer et la démence frontotemporale – en analysant les ondes cérébrales, ouvrant la voie à un diagnostic plus rapide et plus précis.
- Un nouveau modèle d’apprentissage profond basé sur l’électroencéphalographie (EEG) permet de différencier la maladie d’Alzheimer (MA) et la démence frontotemporale (FTD) avec une précision supérieure à 90 %.
- L’étude identifie les ondes cérébrales delta lentes comme un biomarqueur clé pour les deux maladies, mais révèle des différences dans la propagation de l’activité cérébrale qui permettent de les distinguer.
- Cette approche non invasive et abordable pourrait compléter les méthodes de diagnostic actuelles, plus coûteuses et complexes.
La démence, un ensemble de troubles affectant la mémoire, la pensée et les fonctions quotidiennes, représente un défi de santé publique majeur. En 2025, on estime que 7,2 millions d’Américains de plus de 65 ans seront atteints de la maladie d’Alzheimer (MA), la forme la plus courante de démence. La démence frontotemporale (FTD), bien que moins fréquente, touche souvent des personnes plus jeunes, entre 40 et 60 ans, et se caractérise par des changements de comportement, de personnalité et de langage.
Si les deux maladies entraînent des lésions cérébrales, elles affectent des zones différentes. La MA impacte principalement les régions impliquées dans la mémoire et la perception spatiale, tandis que la FTD cible les zones responsables du comportement, de la personnalité et du langage. Cette distinction est cruciale, car un diagnostic précis est essentiel pour adapter le traitement et améliorer la qualité de vie des patients. Cependant, le chevauchement des symptômes rend souvent le diagnostic difficile.
Les techniques d’imagerie médicale telles que l’imagerie par résonance magnétique (IRM) et la tomographie par émission de positons (TEP) sont efficaces pour diagnostiquer la MA, mais elles sont onéreuses, longues et nécessitent un équipement spécialisé. L’électroencéphalographie (EEG), qui mesure l’activité électrique du cerveau à l’aide de capteurs placés sur le cuir chevelu, offre une alternative portable, non invasive et plus abordable. Néanmoins, les signaux EEG sont souvent complexes et variables d’une personne à l’autre, ce qui complique leur analyse. Même avec l’utilisation de l’apprentissage automatique, la distinction entre la MA et la FTD reste un défi.
Pour surmonter ces obstacles, des chercheurs du Collège d’ingénierie et d’informatique de l’ Université de Floride Atlantique ont mis au point un modèle d’apprentissage profond capable de détecter et d’évaluer la MA et la FTD. Ce modèle améliore la précision et l’interprétabilité des données EEG en analysant les schémas d’activité cérébrale en fonction de la fréquence et du temps, spécifiques à chaque maladie.
Les résultats de cette étude, publiés dans la revue Traitement et contrôle du signal biomédical, ont révélé que les ondes cérébrales delta lentes constituent un biomarqueur important pour les deux maladies, particulièrement dans les régions frontales et centrales du cerveau. Cependant, l’activité cérébrale dans la MA est plus largement perturbée, affectant également d’autres régions et bandes de fréquences, notamment la bêta, ce qui indique des lésions cérébrales plus étendues. Ces différences expliquent pourquoi la MA est généralement plus facile à détecter que la FTD.
Le modèle a atteint une précision de plus de 90 % pour distinguer les personnes atteintes de démence (MA ou FTD) des participants en bonne santé cognitive. Il a également prédit la gravité de la maladie avec une marge d’erreur inférieure à 35 % pour la MA et à 15,5 % pour la FTD.
Grâce à une sélection rigoureuse des caractéristiques, les chercheurs ont augmenté la spécificité du modèle – sa capacité à identifier correctement les personnes non atteintes de la maladie – de 26 % à 65 %. Leur approche en deux étapes – d’abord identifier les individus en bonne santé, puis différencier la MA de la FTD – a permis d’atteindre une précision de 84 %, ce qui la place parmi les meilleures méthodes basées sur l’EEG à ce jour.
Le modèle combine des réseaux neuronaux convolutifs et des LSTM basés sur l’attention pour détecter à la fois le type et la gravité de la démence à partir des données EEG. L’outil Grad-CAM permet de visualiser les signaux cérébraux qui ont influencé le modèle, aidant ainsi les cliniciens à comprendre son raisonnement. Cette approche offre une nouvelle perspective sur l’évolution de l’activité cérébrale et les régions et fréquences qui déterminent le diagnostic, des informations rarement capturées par les outils traditionnels.
« Ce qui rend notre étude novatrice, c’est la manière dont nous avons utilisé l’apprentissage profond pour extraire des informations spatiales et temporelles des signaux EEG »,
Tuan Vo, doctorant au département de génie électrique et d’informatique de la FAU
« En faisant cela, nous pouvons détecter des schémas subtils d’ondes cérébrales liés à la maladie d’Alzheimer et à la démence frontotemporale qui autrement passeraient inaperçus. Notre modèle non seulement identifie la maladie, mais estime également sa gravité, offrant ainsi une image plus complète de l’état de chaque patient. »
Les résultats ont également montré que la MA a tendance à être plus sévère, affectant un plus grand nombre de zones cérébrales et entraînant des scores cognitifs plus faibles, tandis que les effets de la FTD sont plus localisés dans les lobes frontaux et temporaux. Ces observations confirment les études d’imagerie cérébrale précédentes, mais apportent une nouvelle dimension en montrant comment ces schémas se manifestent dans les données EEG, un outil de diagnostic peu coûteux et non invasif.
« Nos résultats montrent que la maladie d’Alzheimer perturbe l’activité cérébrale de manière plus large, notamment dans les régions frontales, pariétales et temporales, tandis que la démence frontotemporale affecte principalement les zones frontales et centrales »,
Hanqi Zhuang, Ph.D., doyen associé et professeur au département de génie électrique et informatique de la FAU
« Cette différence explique pourquoi la maladie d’Alzheimer est souvent plus facile à détecter. Cependant, nos travaux montrent également qu’une sélection minutieuse des caractéristiques peut améliorer considérablement notre capacité à distinguer la FTD de la maladie d’Alzheimer. »
En conclusion, cette étude démontre le potentiel de l’apprentissage profond pour simplifier le diagnostic de la démence en combinant la détection et l’évaluation de la gravité dans un seul système, réduisant ainsi le temps nécessaire aux évaluations et fournissant aux cliniciens des outils en temps réel pour suivre la progression de la maladie.
« Ce travail illustre la façon dont la convergence de l’ingénierie, de l’intelligence artificielle et des neurosciences peut transformer notre approche des principaux défis de santé »,
Stella Batalama, Ph.D., doyen du Collège d’ingénierie et d’informatique
« Avec des millions de personnes touchées par la maladie d’Alzheimer et la démence frontotemporale, des avancées comme celle-ci ouvrent la voie à une détection plus précoce, à des soins plus personnalisés et à des interventions susceptibles d’améliorer véritablement la vie des patients. »
Référence : Vo T, Ibrahim AK, Zhuang H, Bang C. Extraction et interprétation des caractéristiques EEG pour le diagnostic et la prédiction de la gravité de la maladie d’Alzheimer et de la démence frontotemporale à l’aide de l’apprentissage profond. Contrôle du processus de signal biomédical. 2026;112:108667. 10.1016/j.bspc.2025.108667
Cet article a été republié à partir de cette source. Veuillez noter que le contenu a pu être modifié en termes de longueur et de contenu. Pour plus d’informations, veuillez contacter la source citée. Notre politique de publication des communiqués de presse est accessible ici.
Sur le même sujet
