L’IA peut détecter des signaux informatifs sur la santé mentale à partir de questionnaires et de scanners cérébraux.
Une étude publiée aujourd’hui par une collaboration interdisciplinaire, dirigée par Denis Engemann d’Inria, démontre que l’apprentissage automatique à partir de larges cohortes de population peut produire des « mesures indirectes » pour les problèmes de santé liés au cerveau sans avoir besoin d’une évaluation par un spécialiste. Les chercheurs ont profité de la UK Biobank, l’une des bases de données biomédicales les plus importantes et les plus complètes au monde, qui contient des données détaillées et sécurisées sur la santé de la population britannique. Ce travail est publié dans la revue en libre accès GigaScience.
Les problèmes de santé mentale ont augmenté dans le monde entier, l’OMS ayant déterminé qu’il y a eu une augmentation de 13% des problèmes de santé mentale et des troubles liés à la toxicomanie entre 2007 et 2017. Le fardeau que ces maladies font peser sur la société est considérable, ayant un impact négatif sur presque tous les domaines de la vie. : école, travail, famille, amis et engagement communautaire. Parmi les nombreux problèmes qui entravent la capacité de la société à traiter ces troubles, il y a le fait que le diagnostic de ces problèmes de santé nécessite des spécialistes ; dont la disponibilité varie considérablement à travers le monde. Le développement d’une méthodologie d’apprentissage automatique dans le but de faciliter les évaluations de la santé mentale pourrait fournir un moyen supplémentaire bien nécessaire pour aider à détecter, prévenir et traiter ces problèmes de santé.
Combiner l’imagerie cérébrale et les données sociodémographiques pour approximer les constructions liées à la santé mentale. Crédit : Adapté de la figure 1 dans Dadi et al. GigaScience 2021
Pour développer des modèles d’IA sensibles à la santé mentale, les chercheurs d’Inria (Saclay – Île-de-France) et leurs collègues se sont tournés vers la UK Biobank pour obtenir les données nécessaires. La UK Biobank stocke non seulement des données biologiques et médicales, mais également des données de questionnaires sur les circonstances et les habitudes personnelles, telles que l’âge, l’éducation, la consommation de tabac et d’alcool, la durée du sommeil et l’exercice physique. Spécifiques pour cette étude, ces questionnaires comprennent également des données sociodémographiques et comportementales, telles que les humeurs et les sentiments des individus, et les données biologiques comprennent des images de résonance magnétique (RM) de 10 000 scintigraphies cérébrales des participants.
Les scientifiques d’Inria ont combiné ces deux sources de données pour construire des modèles qui rapprochent les mesures de l’âge du cerveau et des traits d’intelligence et de névrosisme définis scientifiquement. Ceux-ci servent de « mesures indirectes », qui sont des mesures indirectes qui sont fortement corrélées avec des maladies ou des résultats spécifiques qui ne peuvent pas être mesurés directement. Le développement d’approximations de cette manière a été utilisé avec succès dans le passé pour prédire « l’âge du cerveau » à partir d’images IRM. Ce précédent corpus de travaux neuro-cliniques a servi de point de départ à Denis Engemann et son équipe.
Engemann explique : « Dans ce travail, nous avons généralisé cette méthodologie de deux manières. Premièrement, nous avons démontré qu’au-delà du vieillissement biologique, le même cadre de mesures indirectes est applicable à des construits plus directement liés à la santé mentale. Deuxièmement, nous avons montré que des mesures indirectes utiles peuvent être dérivées d’autres données que les images cérébrales, telles que les données sociodémographiques et comportementales.
Les chercheurs ont validé leurs mesures indirectes en démontrant les mêmes résultats dans un sous-ensemble distinct de données de la biobanque britannique.
Les résultats du travail ici donnent un aperçu d’un avenir où les psychologues et les modèles d’apprentissage automatique pourraient travailler main dans la main pour produire des évaluations mentales de plus en plus fines et personnalisées. Par exemple, à l’avenir, les clients ou les patients peuvent accorder à un modèle d’apprentissage automatique un accès sécurisé à leurs comptes de réseaux sociaux ou à leurs données de téléphone mobile, pour ensuite renvoyer des mesures proxy utiles à la fois au client et à l’expert en santé mentale ou en éducation.
Cependant, alors que l’IA peut fournir des outils d’évaluation indispensables, l’interaction humaine sera toujours essentielle, comme le souligne Engemann : au cas par cas et par l’interaction sociale, qu’ils soient obtenus à l’aide de l’apprentissage automatique ou des tests classiques. »
Référence : « La modélisation de la population avec l’apprentissage automatique peut améliorer les mesures de la santé mentale » 15 octobre 2021, GigaScience.
DOI : 10.1093/gigascience/giab071
Cette recherche au croisement de l’IA, des neurosciences et de la santé mentale a été rendue possible par une étroite collaboration entre des spécialistes du machine learning et des experts en santé mentale, dont Josselin Houenou, professeur de psychiatrie à Assistance publique – Hôpitaux de Paris, et Danilo Bzdok, professeur agrégé à Chaire d’intelligence artificielle de l’Université McGill et du Canada CIFAR à l’Institut d’IA Mila Québec, Montréal.
