Classification par apprentissage automatique des patients présentant un trouble cognitif léger amnésique et un trouble cognitif léger non amnésique à partir de tâches de description d'images écrites

Les individus présentant un trouble cognitif léger (TCL), une étape transitoire entre le vieillissement cognitif sain et la démence, sont caractérisés par des modifications neurocognitives subtiles. Cliniquement, ils peuvent être regroupés en deux variantes principales, à savoir les patients avec TCL amnésique (TCLa) et TCL non amnésique (TCLna). La distinction des deux variantes est connue pour être cliniquement significative car elles présentent des taux de progression différents vers la démence. Cependant, il a été particulièrement difficile de classifier les deux variantes de manière robuste. Des recherches récentes indiquent que les changements linguistiques peuvent se manifester comme l'un des premiers indicateurs de pathologie. Par conséquent, nous avons focalisé notre étude sur les échantillons d'écriture au niveau du discours du TCL. Nous avons émis l'hypothèse qu'une tâche de description d'image écrite peut fournir des informations pouvant être utilisées comme un système de classification écologique et rentable entre les deux variantes. Nous avons inclus cent soixante-neuf individus diagnostiqués avec soit TCLa soit TCLna qui ont reçu des évaluations neurophysiologiques en plus d'une tâche écrite de description d'image. Le traitement du langage naturel (NLP) et un modèle linguistique pré-entraîné BERT ont été utilisés pour analyser les échantillons de rédaction. Nous avons montré que la tâche de description d'image écrite a fourni une précision de classification globale de 90 % pour les meilleurs modèles de classification, qui ont mieux performé que les mesures cognitives. Les discours écrits analysés par des modèles d'IA peuvent automatiquement évaluer les individus ayant TCLa et TCLna et faciliter le diagnostic, le pronostic, la planification de thérapie et l'évaluation.