Des chercheurs de l'Institut de Neurosciences, un centre conjoint du Conseil supérieur de la recherche scientifique espagnol (CSIC) et de l'Université Miguel Hernández d'Elche (UMH), ont mis au point une stratégie révolutionnaire combinant intelligence artificielle et simulations informatiques. Cette méthode permet d'extraire des informations cérébrales détaillées à partir d'IRM beaucoup plus rapidement et en utilisant une fraction minuscule des données habituelles. Publiée dans le journal Communications Medicine, cette approche réduit le temps d'acquisition des IRM avancées de jusqu'à 90 % tout en maintenant un haut niveau de précision, ouvrant la voie à une imagerie neurologique clinique plus efficace et accessible. Contrairement aux méthodes actuelles qui s'appuient sur l'entraînement de modèles avec des données réelles de patients, cette équipe a utilisé un modèle basé sur la physique du processus de diffusion dans les tissus cérébraux pour générer des simulations. Ces données simulées servent ensuite à entraîner des réseaux de neurones afin d'estimer les paramètres du modèle, qui agissent comme des biomarqueurs indiquant l'état des tissus. Cette innovation repose sur des techniques d'IRM pondérée en diffusion, capables d'étudier de manière non invasive le mouvement de l'eau dans le tissu cérébral pour révéler sa microstructure. L'intelligence artificielle reconstruit ensuite efficacement les caractéristiques détaillées du tissu à partir de ces signaux. L'une des découvertes majeures de l'étude est la réduction drastique du nombre de mesures nécessaires. Les chercheurs ont démontré que leur réseau, entraîné exclusivement sur des simulations, atteint un niveau de précision très élevé en utilisant seulement 10 % des données habituelles. Comme l'explique Maximilian Eggl, chef de la ligne de recherche sur les biomarqueurs de la structure et de la fonction cérébrale, cette avancée a un impact direct en milieu clinique, notamment dans les hôpitaux confrontés à de longues listes d'attente. En pratique, cela signifie passer d'une durée de scan de 40 minutes à environ 8 minutes pour obtenir les mêmes informations, permettant de traiter un plus grand nombre de patients dans le même laps de temps. Silvia De Santis, qui dirige le laboratoire des biomarqueurs d'imagerie translationnelle, souligne que réduire le temps d'acquisition permet d'intégrer des techniques d'IRM beaucoup plus avancées, offrant ainsi plus d'informations cliniques au personnel médical. De plus, cette approche utilise des simulations pour générer autant de données que nécessaire, sans dépendre de la disponibilité des patients et tout en évitant les problèmes de confidentialité associés aux ensembles de données cliniques traditionnels. Cette méthode ouvre également de nouvelles perspectives pour l'étude des maladies neurodégénératives comme Alzheimer, qui présentent une phase préclinique longue pouvant atteindre deux décennies sans symptômes visibles. Le diagnostic clinique de ces maladies repose encore sur des techniques développées il y a plus de 30 ans. Cette nouvelle approche permettrait d'obtenir des informations plus détaillées et d'améliorer le diagnostic. Par ailleurs, le système permet de réanalyser des données d'IRM acquises il y a des décennies, qui étaient auparavant limitées par les technologies de l'époque. Grâce à cette approche basée sur la simulation, ces archives peuvent être réinterprétées pour extraire de nouvelles informations pertinentes sur les maladies neurologiques.