Un cadre d'apprentissage supervisé avec augmentation temporelle des données en deux étapes pour prédire le diagnostic d'autisme à 36 mois chez des patients atteints de sclérose tubéreuse de BournevilleA two-step temporal data augmentation and supervised learning framework for predicting autism diagnosis at 36 months in patients with tuberous sclerosis complex.
- Un algorithme d'augmentation temporelle en deux étapes a été développé pour interpoler les données DTI à des âges standardisés (12, 24, 36 mois) malgré des temps d'acquisition irréguliers.
- La combinaison des métriques DTI à 24 mois et des scores comportementaux (ADOS-2, ADI-R) a permis une prédiction équilibrée du diagnostic de TSA à 36 mois chez les enfants avec TSC.
- Les modèles de régression logistique régularisée (LASSO et Elastic Net) ont surpassé les autres algorithmes, offrant robustesse sur de petits échantillons hétérogènes.
Article directement lié à la prédiction précoce de l'autisme dans une population neurodéveloppementale spécifique (TSC). L'approche méthodologique (augmentation de données, apprentissage supervisé multimodal) est innovante et pertinente pour la clinique, mais l'échantillon restreint et le caractère très ciblé de la population limite l'impact immédiat pour une veille généraliste. Note de 70/100 : article clairement utile pour NeuroWatch, en particulier pour les cliniciens travaillant avec des patients TSC ou utilisant des biomarqueurs d'imagerie.
L'échantillon est restreint et spécifique à la population TSC, limitant la généralisabilité des résultats à d'autres groupes à risque d'autisme. Les données DTI ont été interpolées à des âges standardisés, ce qui peut introduire un biais si les trajectoires individuelles s'écartent fortement de la tendance modélisée. Seules des données à 12, 24 et 36 mois ont été utilisées ; l'inclusion de points temporels supplémentaires pourrait améliorer la précision prédictive. Les performances des modèles n'ont pas été validées sur une cohorte externe indépendante, ce qui limite la confiance dans leur reproductibilité.
Cette étude intègre des mesures longitudinales d'imagerie par tenseur de diffusion (DTI) et des caractéristiques comportementales précoces via des algorithmes d'apprentissage supervisé pour prédire le diagnostic de trouble du spectre autistique (TSA) à 36 mois chez des enfants atteints de sclérose tubéreuse de Bourneville (TSC). Les données proviennent de l'étude TSC Autism Center of Excellence Research Network. Quatre métriques DTI (diffusivité axiale, anisotropie fractionnaire, diffusivité moyenne, diffusivité radiale) ont été mesurées dans 27 faisceaux de substance blanche à des temps irréguliers, puis interpolées à 12, 24 et 36 mois via un algorithme d'augmentation des données en deux étapes. Neuf caractéristiques comportementales issues des échelles ADOS-2 et ADI-R à 24 mois ont également été incluses. Les modèles de régression logistique régularisée (LASSO et Elastic Net) ont montré les performances les plus équilibrées. L'utilisation des DTI à 24 mois combinée aux données comportementales a donné des résultats comparables ou légèrement supérieurs à ceux incluant les DTI à 12 et 24 mois.
Un algorithme d'augmentation temporelle en deux étapes a été développé pour interpoler les données DTI à des âges standardisés (12, 24, 36 mois) malgré des temps d'acquisition irréguliers. La combinaison des métriques DTI à 24 mois et des scores comportementaux (ADOS-2, ADI-R) a permis une prédiction équilibrée du diagnostic de TSA à 36 mois chez les enfants avec TSC. Les modèles de régression logistique régularisée (LASSO et Elastic Net) ont surpassé les autres algorithmes, offrant robustesse sur de petits échantillons hétérogènes. L'étude suggère que les mesures DTI à 24 mois et les évaluations comportementales constituent des biomarqueurs précoces clés pour le pronostic de l'autisme dans la TSC.
Ces résultats pourraient permettre une identification plus précoce du TSA chez les enfants atteints de TSC, facilitant une intervention ciblée avant 36 mois. L'approche multimodale (DTI + comportement) pourrait être intégrée dans les protocoles de suivi systématique des enfants à haut risque pour améliorer la stratification pronostique. La méthode d'augmentation des données développée pourrait être adaptée à d'autres contextes cliniques où des mesures longitudinales sont irrégulières, élargissant l'utilisation de l'apprentissage automatique en neurodéveloppement.
Modéré