Lors de l’EEG qui mesure la puissance électrique dans différentes zones du cerveau, une crise ou un pic d’activité cérébrale anormal se présente sous la forme de décharges amplifiées. Si l’on combine à ces données, une technique d’interférence des réseaux, il devient possible d’identifier et de localiser les crises avec plus de précision. Enfin, si l’on « ajoute » un système d’apprentissage automatique, il devient même possible de prédire la crise, son emplacement et de la traiter en amont. C’est l’objectif général de cette équipe de neurologues de l’Université de Washington à Saint-Louis qui travaille à partir des données d’EEG, une technique d'inférence de réseau et de l’apprentissage automatique, une technique d'intelligence artificielle (IA). Ces travaux, présentés dans les Scientific Reports, laissent espérer, dans un futur proche, le développement d’un petit dispositif portable (de type pompe à insuline) qui délivrera l’antiépileptique, juste en amont et à la source de la crise.
Dans l’épilepsie, les crises se produisent lorsque l'activité cérébrale normale est interrompue par un tir hyper-synchronisé, soudain et puissant d'un groupe de neurones. Lors d'une crise, si le patient est connecté à un électroencéphalographe (EEG) l'activité cérébrale anormale sera identifiée sous forme de pointe ou de pic. L’hypothèse de départ ici est de considérer le cerveau comme un réseau complexe et d’en extraire des données plus significatives à l’EEG permettant de détecter et d'identifier avec précision la crise d'épilepsie en temps réel. « La technique nous permet d'obtenir des données brutes, de les traiter et d'extraire une fonctionnalité plus signifiante pour notre modèle d'apprentissage automatique. Le concept de notre approche est de fusionner les signaux de 23 électrodes en un seul paramètre qui peut être traité efficacement avec beaucoup moins de ressources informatiques », résument les scientifiques.
EEG, interférence de réseaux et IA
Une technique d'inférence de réseau : l'équipe considère les électrodes EEG comme des nœuds d'un réseau. En utilisant les enregistrements (données de séries temporelles) de chaque nœud, ils peuvent déduire les connexions variant dans le temps dans le réseau ou les relations entre les nœuds. Au lieu de ne considérer que les données EEG soit les pics et/ou la puissance des signaux individuels, ils peuvent aussi décrypter les relations en cause dans la crise : « Nous pouvons déduire comment une zone du cerveau interagit alors avec les autres ». Une fois le réseau identifié, il devient possible de mesurer ses paramètres de manière globale : au lieu de mesurer la force d'un seul signal, il s’agit d’évaluer la puissance du réseau global. Lors de cette évaluation, un paramètre en particulier, appelé valeur de Fiedler, s’avère particulièrement utile car il commence à augmenter dès qu’une crise se produit.
Valeur de Fiedler et synchronicité du réseau : plus la valeur de Fiedler est élevée, plus le réseau est synchrone. En d’autres termes, pendant la crise, l'activité cérébrale est synchronisée. Ensuite, cette observation au niveau global du réseau permet de réduire l'importance « du bruit de fond » ou des signaux non liés à la crise. Actuellement, cette technique fonctionne pour un patient individuel.
L'étape suivante va consister à intégrer l'apprentissage automatique pour généraliser la technique d'identification des différents types de crises chez les patients. L'idée est d’exploiter les différents paramètres caractérisant le réseau pour développer l'algorithme d'apprentissage automatique. Cet algorithme, une fois nourri des données EEG de nombreux patients épileptiques devrait être capable de détecter, d’identifier le type de crise et de localiser la crise avant même qu’elle ne survienne.
« Le but ultime est d'affiner la technique pour une utilisation clinique ».
Source: Scientific Reports 26 May 2020 Real-time Inference and Detection of Disruptive EEG Networks for Epileptic Seizures
Plus sur l’Epilepsie sur Neuro Blog
