Les avancées de l’imagerie cérébrale permettent de déceler de plus en plus finement les substrats cérébraux associés à certaines pathologies psychiatriques. Ainsi, plusieurs études couplant données d’Imagerie par Résonnance Magnétique (IRM) et algorithmes d’apprentissage automatique (ou « machine learning ») ont permis de mettre en évidence des motifs anatomiques plus fréquent dans le spectre de la schizophrénie, notamment des différences dans la morphologie des sillons corticaux ou dans le volume et l’épaisseur de certaines zones cérébrales.
Ces dernières années, ces algorithmes ont été appliqués à des données recueillies sur de larges cohortes multicentriques évaluées dans le cadre d’un premier épisode psychotique (PEP). Cette seconde vague de la littérature s’est développée dans l’espoir de capturer la dynamique longitudinale des états cérébraux associés aux différents stades de la maladie. Ces études ont notamment permis de montrer que certaines signatures neuroanatomiques mises en évidence dans la schizophrénie étaient déjà présentes lors des stades précoces de ce trouble.
Par ailleurs, il a été montré que ces motifs anatomiques retrouvés au moment du PEP pouvaient être associés à certaines caractéristiques démographiques (le sexe, ou le niveau d’éducation par exemple), à la phénoménologie des symptômes (sévérité, ampleur du déficit cognitif, nombre de modalités hallucinatoires présentes…) mais aussi à l’évolution du patient jusqu’à 5 ans après le déclenchement du premier épisode. Dans une démarche axée vers la psychiatrie de précision , l’identification de marqueurs neuroanatomiques de vulnérabilité à la transition psychotique permettrait d’intervenir plus précocement et in fine d’améliorer le pronostic du PEP.
Loin de suggérer que ces algorithmes pourront un jour prédire avec certitude le devenir clinique des patients, ces études ouvrent la voie au développement d’outils informatiques d’aide à la décision médicale objective et mettent en exergue l’intérêt de l’imagerie cérébrale dans le bilan du PEP.
Sources :
Identifying a neuroanatomical signature of schizophrenia, reproducible across sites and stages, using machine learning with structured sparsity :
de Pierrefeu et al., 2018
Psychosis brain subtypes validated in first-episode cohorts and related to illness remission: results from the PHENOM consortium :
Dwyer et al., 2023