Apprentissage profond multi-modal à partir de données d'imagerie génomique pour la classification de la schizophrénie

Contexte La schizophrénie (SZ) est une condition psychiatrique qui affecte défavorablement les aspects cognitifs, émotionnels et comportementaux d'un individu. L'étiologie de la SZ, bien que largement étudiée, reste floue, car plusieurs facteurs interagissent pour contribuer à son développement. Il existe un ensemble cohérent de preuves documentant la présence de déviations structurelles et fonctionnelles dans les cerveaux des individus atteints de SZ. De plus, l'aspect héréditaire de la SZ est soutenu par l'implication significative de marqueurs génomiques. Par conséquent, la nécessité d'examiner la SZ d'un point de vue multi-modal et de développer des approches pour une détection améliorée se fait sentir. Méthodes Notre méthode proposée a employé un cadre d'apprentissage profond combinant des caractéristiques d'imagerie par résonance magnétique structurelle (sMRI), d'imagerie par résonance magnétique fonctionnelle (fMRI) et de marqueurs génétiques tels que les polymorphismes nucléotidiques simples (SNP). Pour la sMRI, nous avons utilisé un DenseNet pré-entraîné pour extraire les caractéristiques morphologiques. Pour identifier les connexions fonctionnelles les plus pertinentes dans la fMRI et les SNP liés à la SZ, nous avons appliqué un réseau de neurones convolutif (CNN) unidimensionnel suivi d'une propagation de pertinence par couche (LRP). Enfin, nous avons concaténé ces caractéristiques obtenues à travers les modalités et les avons alimentées au classificateur basé sur des arbres de boosting de gradient extrême (XGBoost) pour classer les individus SZ par rapport aux témoins sains (HC). Résultats L'évaluation expérimentale sur un ensemble de données cliniques a démontré que, comparé aux résultats obtenus à partir de chaque modalité individuellement, notre approche multi-modale proposée a permis de classifier les individus SZ par rapport aux HC avec une précision améliorée de 79,01 %. Conclusion Nous avons proposé un cadre basé sur l'apprentissage profond qui sélectionne efficacement les caractéristiques multi-modales (sMRI, fMRI et génétiques) et les fusionne pour obtenir des scores de classification améliorés. De plus, en utilisant l'IA explicable (XAI), nous avons pu cibler et valider des connexions de réseau fonctionnel significatives et des SNP qui ont le plus contribué à la classification de la SZ, fournissant une interprétation nécessaire derrière nos résultats.