BrainPrompt+ : Apprentissage par prompts multi-niveaux pour l'identification de troubles neurologiques guidée par la connaissanceBrainPrompt+: Multi-Level Brain Prompt Learning for Knowledge-Guided Neurological Disorder Identification.
- BrainPrompt+ surmonte trois limitations des méthodes GNN existantes : bruit dans les graphes de corrélation, ignorance des connaissances anatomiques, et encodage simpliste des métadonnées.
- Cinq types d'invites en langage naturel sont proposés : spectral (fréquence BOLD), spatial (connectivité inter-ROI), ROI (connaissances anatomiques et fonctionnelles), maladie (stades de progression) et sujet (contexte démographique).
- Le LLM est utilisé gelé comme encodeur, permettant une intégration sémantique riche et interprétable des données multimodales.
Article publié dans une revue de haut niveau (IEEE TMI), propose une méthode novatrice et validée sur plusieurs datasets avec des gains significatifs, directement pertinente pour le diagnostic des TSA et autres troubles neurologiques, mais nécessite encore une validation clinique à grande échelle.
L'étude repose uniquement sur des données IRMf de repos ; la généralisation à d'autres modalités d'imagerie n'est pas évaluée. Le modèle nécessite un LLM pré-entraîné, ce qui peut limiter son utilisation dans des environnements à faibles ressources computationnelles. Les performances sont démontrées sur trois jeux de données, mais la validation sur des cohortes cliniques plus larges et diverses est nécessaire. L'abstract ne fournit pas de détails sur les biais potentiels liés aux données démographiques des participants.
BrainPrompt+ est un cadre d'apprentissage guidé par la connaissance qui intègre de grands modèles de langage (LLM) avec des invites en langage naturels multi-niveaux pour améliorer l'identification des troubles neurologiques (maladie d'Alzheimer, Parkinson et trouble du spectre autistique) à partir de l'IRMf de repos. Cinq types d'invites (spectrales, spatiales, ROI, maladie, sujet) sont encodés par un LLM gelé et intégrés dans un pipeline de réseaux de neurones graphiques (GNN), unifiant les données d'imagerie, cliniques et de connaissance externe. Les expériences sur trois ensembles de données montrent des gains de précision jusqu'à 8,93 % par rapport aux méthodes de pointe, et l'analyse des biomarqueurs confirme l'alignement avec les connaissances établies en neurosciences.
BrainPrompt+ surmonte trois limitations des méthodes GNN existantes : bruit dans les graphes de corrélation, ignorance des connaissances anatomiques, et encodage simpliste des métadonnées. Cinq types d'invites en langage naturel sont proposés : spectral (fréquence BOLD), spatial (connectivité inter-ROI), ROI (connaissances anatomiques et fonctionnelles), maladie (stades de progression) et sujet (contexte démographique). Le LLM est utilisé gelé comme encodeur, permettant une intégration sémantique riche et interprétable des données multimodales. Les résultats sur trois datasets rs-fMRI montrent une amélioration significative de la précision (jusqu'à 8,93 %) par rapport aux méthodes de référence. L'analyse des biomarqueurs valide les régions d'intérêt mises en évidence, en accord avec les découvertes neuroscientifiques établies.
BrainPrompt+ pourrait améliorer le diagnostic précoce et la classification des troubles neurologiques en intégrant des connaissances médicales explicites dans les modèles d'apprentissage automatique. L'approche multi-invites facilite la personnalisation du diagnostic en fonction des données démographiques et cliniques individuelles. L'interprétabilité accrue via l'alignement avec les biomarqueurs connus pourrait renforcer la confiance des cliniciens dans les outils d'aide à la décision. Le cadre généralisable peut être adapté à d'autres troubles neurologiques au-delà de ceux étudiés (AD, PD, ASD).
Élevé