IA 4DfCF : un dépistage cérébral transparent et efficace

Une équipe de chercheurs de l'université Sungkyunkwan (SKKU), dirigée par le professeur Tamer Abuhmed, a développé une nouvelle architecture d'intelligence artificielle baptisée 4DfCF (4D fMRI CrossFormer). Publiée récemment dans l'IEEE Journal of Biomedical and Health Informatics, cette méthode vise à moderniser le dépistage des troubles neurologiques et neurodéveloppementaux en rendant l'analyse plus transparente et moins exigeante sur le plan computationnel. L'imagerie par résonance magnétique fonctionnelle quatre dimensions permet de suivre l'activité cérébrale dans l'espace et dans le temps. Cette dimension temporelle offre des informations précieuses sur le fonctionnement cérébral, mais rend le traitement des données traditionnellement complexe. Le 4DfCF a été conçu pour analyser simultanément ces motifs spatiaux et temporels. En examinant l'activité cérébrale à différentes échelles, le modèle apprend à la fois les relations locales et les connexions à longue distance entre les régions cérébrales, capturant ainsi des schémas fonctionnels d'une grande complexité. Au-delà de la performance diagnostique, les chercheurs ont intégré une technique d'IA explicable au modèle. Celle-ci génère des cartes visuelles indiquant précisément quelles zones cérébrales ont influencé la prédiction. Concrètement, le système ne se contente pas de fournir un verdict binaire, mais livre aux cliniciens des preuves visuelles contextualisant la décision. Cette transparence ne remplace pas l'expertise médicale, mais constitue un outil d'aide à la décision fondé sur des données interprétables. Lors des tests sur des ensembles de données de référence, le 4DfCF a surpassé les modèles comparés pour plusieurs pathologies, dont le trouble du déficit de l'attention avec ou sans hyperactivité, la maladie d'Alzheimer et les troubles du spectre de l'autisme. Il a notamment atteint un score F1 de 96,28 % sur les données ADNI consacrées à Alzheimer. La recherche démontre également une capacité d'apprentissage par transfert : un modèle initialement entraîné sur un jeu de données peut s'adapter plus rapidement à une nouvelle pathologie, ouvrant la voie à des modèles pré-entraînés et réutilisables. Sur le plan technique, l'architecture se distingue par sa légèreté. Le modèle principal compte environ 10,34 millions de paramètres, tandis que la version allégée en comprend 4,18 millions. Cette efficacité réduit considérablement les besoins en ressources de calcul par rapport aux grands modèles contemporains, facilitant potentiellement leur déploiement sur les serveurs hospitaliers et les infrastructures de recherche. Bien que ces résultats reposent encore sur des données de recherche et non sur un déploiement clinique direct, cette innovation pose les bases d'une intelligence artificielle médicale à la fois performante, évolutive et digne de confiance. En coulant précision diagnostique et explicabilité, le 4DfCF s'inscrit dans une démarche où la technologie vient renforcer, plutôt que remplacer, l'expertise des professionnels de santé pour le diagnostic assisté par ordinateur.