Les méthodes fondées sur la neuro imagerie pour l'identification de l'autisme: une possible application translationnelle

Traduction: G.M.

Funct Neurol. 2014 Oct-Dec;29(4):231-239.

Neuroimaging-based methods for autism identification: a possible translational application?

Retico A, Tosetti M, Muratori F, Calderoni S.

Résumé

Les méthodes de classification fondées sur les techniques de l'apprentissage machine (ML)  deviennent des outils d'analyse répandus dans les études de neuro-imagerie. Elles ont le potentiel d'améliorer la puissance de diagnostic des données cérébrales, en attribuant un index prédictif, soit de la pathologie ou de la réponse au traitement, à l'acquisition d'un sujet unique. Les techniques ML sont trouvent actuellement de nombreuses applications dans les maladies psychiatriques, en plus des maladies neurodégénératives largement étudiées. Dans cette revue, nous donnons un compte rendu détaillé de l'utilisation des techniques de classification appliqués aux images structurelles de résonance magnétique dans les troubles du spectre autistique (TSA). La compréhension de ces maladies neurologiques du développement très hétérogènes pourrait grandement bénéficier de descripteurs supplémentaires de pathologie et  d'indices prédictifs extraits directement à partir de données du cerveau. Un point de vue est également prévu sur les futurs développements nécessaires pour traduire méthodes ML du domaine de la recherche sur les TSA à la clinique.

PMID: 25764253 

Abstract

Classification methods based on machine learning (ML) techniques are becoming widespread analysis tools in neuroimaging studies. They have the potential to enhance the diagnostic power of brain data, by assigning a predictive index, either of pathology or of treatment response, to the single subject's acquisition. ML techniques are currently finding numerous applications in psychiatric illness, in addition to the widely studied neurodegenerative diseases. In this review we give a comprehensive account of the use of classification techniques applied to structural magnetic resonance images in autism spectrum disorders (ASDs). Understanding of these highly heterogeneous neurodevelopmental diseases could greatly benefit from additional descriptors of pathology and predictive indices extracted directly from brain data. A perspective is also provided on the future developments necessary to translate ML methods from the field of ASD research into the clinic.