L'IA et les maladies neurologiques rares et neuro-immunes ── 2026-10-16
Nouveaux articles sur les maladies neurologiques rares et neuro-immunes et l'IA, collectés à partir de flux de revues, de PubMed (recherche dans toutes les revues) et d'OpenAlex (un index public utilisé à la place de Google Scholar), évalués par Jev (une IA qui porte des jugements linguistiques) : recherche originale, IA centrale, lequel des 9 groupes de maladies, traitement ou essais, puis classés par importance jusqu'à une limite quotidienne. Les revues ne sont pas filtrées par facteur d'impact ; chaque article indique l'équivalent du facteur d'impact de sa revue (citation moyenne sur deux ans d'OpenAlex) et la date de cette valeur. Chaque entrée affiche le résumé original complet.
Lecture par maladie : Recherche fondamentale（0） · SLA（0） · Parkinson（2） · Neurodégénérescence héréditaire（0） · Neuromusculaire（0） · Sclérose en plaques（2） · NMOSD/MOGAD（0） · Myasthénie grave（1） · Encéphalite auto-immune/CIDP/SGB（0）
Recherche sur la neurodégénérescence et la neuroimmunologie, et IA
Aucun nouvel article éligible pour ce numéro.
SLA : traitement, essais cliniques et IA
Aucun nouvel article éligible pour ce numéro.
Maladie de Parkinson et syndromes parkinsoniens : traitement, essais cliniques et IA
- Résumé
Contexte : L'atrophie multisystématisée (AMS) est fréquemment diagnostiquée à tort comme une maladie de Parkinson (MP) ou une paralysie supranucléaire progressive (PSP), ce qui pose d'importants défis diagnostiques.
Objectif : L'objectif de l'étude était d'évaluer systématiquement l'efficacité de l'apprentissage automatique (ML) pour différencier l'AMS des autres troubles neurodégénératifs.
Méthodes : Nous avons mené une recherche systématique dans PubMed, Embase, Cochrane Library et Web of Science (jusqu'au 5 juillet 2025), incluant des études diagnostiques de l'AMS fondées sur l'apprentissage automatique. QUADAS‐2 a évalué le risque de biais, et un modèle bivarié à effets mixtes a synthétisé les indicateurs diagnostiques.
Résultats : Au total, 51 études (incluant 3595 patients atteints d'AMS et 18 189 cas au total) ont été incluses dans la revue systématique. Parmi celles-ci, 38 études ont contribué à la synthèse quantitative, tandis que les 13 études restantes ont été résumées de manière qualitative. Dans l'analyse principale comparant l'AMS à la MP, la sensibilité groupée était de 0.86 (intervalle de confiance [IC] à 95 % : 0.81–0.90), la spécificité de 0.87 (IC à 95 % : 0.83–0.90) et l'aire sous la courbe ROC de synthèse (SROC) (AUC) de 0.93 (IC à 95 % : 0.90–0.95). Globalement, la sensibilité groupée était de 0.85 (IC à 95 % : 0.82–0.88), la spécificité de 0.92 (IC à 95 % : 0.89–0.94) et l'AUC de 0.94 (IC à 95 % : 0.92–0.96). Les modèles fondés sur la tomographie par émission de positons (TEP) ont obtenu les meilleures performances (sensibilité : 0.90, spécificité : 0.96, AUC : 0.97), tandis que les modèles d'apprentissage profond ont surpassé les autres (sensibilité : 0.93, spécificité : 0.98, AUC : 0.99).
Conclusion : Les modèles d'apprentissage automatique intégrant les données de TEP/imagerie par résonance magnétique (IRM) montrent une grande précision diagnostique pour l'AMS. Les travaux futurs devraient donner la priorité à une validation prospective multicentrique et à des tests externes standardisés afin de faciliter la mise en œuvre clinique.
Équivalent du facteur d'impact de la revue : 2.0 (citation moyenne sur 2 ans d'OpenAlex, valeur au 2026-10-15, récupérée le 2026-10-16 ; ce n'est pas le facteur d'impact officiel de Clarivate)Référence : Wang G, Nie C, Liu M. Précision de l'apprentissage automatique dans le diagnostic différentiel de l'atrophie multisystématisée : revue systématique et méta-analyse. Movement Disord Clin Pract. 2026 Oct 14 [publication électronique avant impression]. doi:10.1002/mdc3.70857.Vérifié : Résumé uniquement - Résumé
Contexte : La maladie de Parkinson (MP) et la paralysie supranucléaire progressive (PSP) sont des maladies neurodégénératives dont le syndrome parkinsonien est la caractéristique clinique centrale. La MP et la PSP sont souvent mal diagnostiquées aux premiers stades par l'imagerie par résonance magnétique (IRM) conventionnelle. L'objectif de l'étude est donc d'évaluer la précision de modèles d'apprentissage automatique (ML) basés sur l'IRM pour différencier la MP de la PSP.
Méthodes : Il s'agit d'une étude rétrospective incluant au total 96 sujets (32 PD, 32 PSP et 32 témoins sains). Les régions des noyaux gris centraux telles que la substance noire (SN), le noyau caudé (CN), le putamen, le globus pallidus (GP), le noyau rouge (RN) et le noyau sous-thalamique (STN) ont été segmentées manuellement sur des images FLAIR pondérées en T2 (T2W-FLAIR) et des caractéristiques radiomiques (RF) ont été extraites. Les 20 principales RF ont été utilisées pour entraîner et tester des modèles d'apprentissage automatique. Les mesures de performance des modèles d'apprentissage automatique pour différencier PD, PSP et HC ont été évaluées.
Résultats : Pour différencier la MP de la PSP, la SN a systématiquement montré les meilleures performances, avec des valeurs d'exactitude, de score F1 et d'AUC de 0,95–1,00 sur l'ensemble des modèles d'apprentissage automatique testés. Le RN et le STN ont également démontré une classification quasi parfaite avec plusieurs modèles, avec des valeurs d'exactitude et d'AUC de 1,00. Le CN, le putamen et le GP ont montré des performances modérées (exactitude de 38 % - 85 %). Parmi les classifieurs, AdaBoost a fourni des performances robustes, atteignant une AUC allant jusqu'à 0,89 et un MCC allant jusqu'à 0,72 sur les jeux de données de test.
Conclusion : Les modèles de radiomique basés sur l'IRM de la SN, du NST et du NR offrent la classification la plus précise de la MP et de la PSP. Ils peuvent aussi aider au diagnostic de la MP et de la PSP, indiscernables aux stades précoces de la maladie.
Équivalent du facteur d'impact de la revue : 1.2 (citation moyenne sur 2 ans d'OpenAlex, valeur au 2026-10-15, récupérée le 2026-10-16 ; ce n'est pas le facteur d'impact officiel de Clarivate)Référence : Khruomo VV, - P, Kadavigere R, Nayak K, Sampathila N, Pendem S, et al. MRI-based machine learning models for differentiating Parkinson’s disease and Progressive Supranuclear Palsy. F1000Res. 2026 Oct 13;15:1709. doi:10.12688/f1000research.190609.1.Vérifié : Résumé uniquement
Voir les 2 articles sur la maladie de Parkinson →
Maladies neurodégénératives héréditaires : traitement, essais et IA
Aucun nouvel article éligible pour ce numéro.
Maladies neuromusculaires (dystrophie musculaire, amyotrophie spinale) : traitements, essais cliniques et IA
Aucun nouvel article éligible pour ce numéro.
Sclérose en plaques : traitement, essais et IA
- Résumé
Contexte : L'utilisation de l'intelligence artificielle générative pour créer des données synthétiques est une stratégie émergente pour renforcer les données en vie réelle.
Objectif : Évaluer la validité des données synthétiques générées par intelligence artificielle pour reproduire les données recueillies dans le registre italien de la sclérose en plaques et des maladies apparentées, afin d'évaluer le risque de progression indépendante de l'activité des poussées sous des stratégies de traitement intensif précoce et de traitement par escalade.
Méthodes : Des modèles génératifs d'intelligence artificielle ont été entraînés sur une sous-cohorte de 1666 patients du registre italien de la sclérose en plaques et des pathologies apparentées afin de générer un jeu de données synthétique de 4878 patients. Le Synthetic vAlidation FramEwork, la Clinical Synthetic Fidelity et le Nearest Neighbor Distance Ratio ont été appliqués. Les stratégies de traitement ont été comparées à l'aide des données réelles et synthétiques, en se concentrant sur le risque de progression indépendante de l'activité des poussées.
Résultats : Les données synthétiques ont démontré leur fidélité et leur préservation de la confidentialité. Les estimations de l'effet du traitement pour le traitement par escalade par rapport au traitement intensif précoce étaient similaires entre les jeux de données réels et synthétiques. Les modèles à risques proportionnels de Cox ont montré que les données synthétiques préservaient la robustesse des estimations du risque d'un premier événement de progression indépendant de l'activité des poussées. Les associations avec les facteurs de risque radiologiques étaient globalement similaires entre les jeux de données réels et synthétiques.
Conclusion : Les données synthétiques générées par intelligence artificielle ont reproduit de manière fiable les résultats d'effet thérapeutique des données du registre italien de la sclérose en plaques et des pathologies apparentées, ce qui soutient leur utilisation potentielle dans des contextes de recherche cliniquement définis.
Équivalent du facteur d'impact de la revue : 3.5 (citation moyenne sur 2 ans d'OpenAlex, valeur au 2026-10-15, récupérée le 2026-10-16 ; ce n'est pas le facteur d'impact officiel de Clarivate)Référence : Iaffaldano P, D’Amico S, Lucisano G, Copetti M, Guerra T, Rocca MA, et al. Validation des techniques d’intelligence artificielle générative pour la génération de données synthétiques dans la recherche sur la sclérose en plaques : une comparaison avec les données en vie réelle du registre italien de la sclérose en plaques. Mult Scler. 2026 Oct 14 [publication en ligne avant impression]. doi:10.1177/13524585261492525.Vérifié : Résumé uniquement - Résumé
La segmentation automatisée des lésions peut soutenir une évaluation quantitative rapide et reproductible ainsi que le suivi à long terme de la sclérose en plaques. L'IRM 7T à ultra-haut champ offre une résolution spatiale et une visibilité des lésions accrues, mais pose des difficultés pour l'analyse automatisée, notamment l'inhomogénéité du champ, les artefacts liés à la susceptibilité magnétique et un contraste d'image variable dans l'espace. Bien que les méthodes d'apprentissage profond donnent de bons résultats aux intensités de champ conventionnelles, leur application à l'IRM 7T reste peu explorée. Nous avons évalué nnUNet en utilisant FLAIR seul, MP2RAGE seul, et MP2RAGE+FLAIR combinés. Le jeu de données comprenait 115 examens IRM 7T longitudinaux provenant de 57 patients atteints de SEP, dont 20 examens de 11 patients indépendants réservés pour le test. DeepMedic a été inclus comme architecture de comparaison. Sur l'ensemble de test, nnUNet a obtenu des valeurs moyennes de DSC de 0.72, 0.71 et 0.66 pour les entrées combinées, MP2RAGE seul et FLAIR seul, respectivement. Aucune différence significative de DSC n'a été observée entre nnUNet et DeepMedic. Pour les deux architectures, l'ajout de FLAIR à MP2RAGE n'a pas montré de bénéfice supplémentaire statistiquement significatif dans la présente cohorte de test, tandis que les entrées contenant MP2RAGE ont surpassé de manière significative l'entrée FLAIR seule. Les résultats de la présente étude fournissent des preuves préliminaires suggérant que la performance de segmentation observée au niveau du voxel était principalement associée à l'inclusion de MP2RAGE. Toutefois, la performance au niveau des lésions dépendait de leur taille, ce qui appelle à des investigations complémentaires sur les effets spécifiques du contraste sur la détection des petites lésions.
Équivalent du facteur d'impact de la revue : 4.3 (citations moyennes sur 2 ans d'OpenAlex, valeur au 2026-10-15, récupérée le 2026-10-16 ; il ne s'agit pas du facteur d'impact officiel de Clarivate)Référence : Petrova A, Petrovic I, Berger M, Kravutske Y, Leinkauf J, Rumbak R, et al. Deep Learning-Based Multiple Sclerosis Lesion Segmentation at 7 Tesla: Comparison of Single- and Multi-Contrast MRI Inputs. J Imaging. 2026 Oct 14;12(10):510. doi:10.3390/jimaging12100510.Vérifié : Résumé uniquement
Voir les 2 articles sur la sclérose en plaques →
NMOSD et MOGAD : traitement, essais et IA
Aucun nouvel article éligible pour ce numéro.
Myasthénie grave : traitement, essais et IA
- Résumé
Contexte : La stratification du risque périopératoire dans la myasthénie associée au thymome reste difficile, et l'étendue spatiale optimale de la radiomique en tomodensitométrie (TDM) préopératoire est incertaine. Nous avons comparé cinq représentations radiomiques tridimensionnelles de la tumeur et de la région péritumorale pour discriminer un critère composite périopératoire survenu à l'hôpital.
Méthodes : Cette étude rétrospective monocentrique a inclus 145 patients (37 événements). Des représentations intratumorales, péritumorales à distance physique (1, 3 et 5 mm) et intégrées tumeur plus 3 mm (VOIFusion3mm) ont été comparées. Les modèles radiomiques utilisaient des machines à vecteurs de support à noyau de fonction de base radiale avec une validation croisée imbriquée à cinq plis répétée 10 fois. Les comparaisons appariées prédéfinies utilisaient 2 000 rééchantillonnages bootstrap par grappes de patients avec correction du taux de fausses découvertes. Des analyses d'exclusion de caractéristiques, sans LASSO, de perturbation des contours et d'apport clinique incrémental ont également été réalisées.
Résultats : La représentation intégrée tumeur + 3 mm a présenté l'aire sous la courbe ROC (AUC) hors échantillon moyenne au niveau des répétitions la plus élevée (0,628 ; intervalle de confiance (IC) à 95 %, 0,544–0,714), contre 0,536 pour la représentation intratumorale et 0,533 pour la représentation péritumorale de 3 mm. Les différences d'AUC étaient de 0,092 par rapport à l'intratumorale (IC à 95 %, 0,029–0,155 ; q = 0,009) et de 0,095 par rapport à la péritumorale de 3 mm (IC à 95 %, 0,024–0,173 ; q = 0,015). VOIFusion3mm est resté le mieux classé après exclusion de variables et dans l'analyse sans LASSO. L'AUC moyenne a varié de − 0,093 après une érosion vers l'intérieur de 1 mm (IC à 95 %, − 0,169 à − 0,015) et de − 0,004 après une dilatation vers l'extérieur (IC à 95 %, − 0,028 à 0,019). La radiomique n'a pas montré de discrimination incrémentale au-delà du modèle clinique prédéfini, et la calibration était limitée.
Conclusions : VOIFusion3mm a montré une discrimination des rangs évaluée en interne supérieure à celle des représentations intratumorale et péritumorale isolée de 3 mm, mais la discrimination absolue était modeste. La radiomique n'a pas démontré de discrimination supplémentaire au-delà des modèles cliniques évalués, et la calibration ne permettait pas d'estimer le risque de façon individualisée. VOIFusion3mm reste une représentation spatiale candidate nécessitant une validation externe et ne doit pas guider les décisions périopératoires individuelles. L'interprétation est limitée par le faible nombre d'événements, la conception monocentrique et l'absence d'évaluation indépendante par plusieurs lecteurs de la reproductibilité de la segmentation.
Équivalent du facteur d'impact de la revue : 3.8 (citations moyennes sur 2 ans d'OpenAlex, valeur au 2026-10-15, récupérée le 2026-10-16 ; il ne s'agit pas du facteur d'impact officiel de Clarivate)Référence : Chai Y, Lu C, Wang Z, Li Z, Li Z, Wang Y, et al. Radiomique TDM intégrée tumorale et péritumorale pour la discrimination des événements périopératoires dans la myasthénie associée au thymome : une étude de cohorte rétrospective. BMC Med Imaging. 2026 Oct 14 [Publication électronique avant impression]. doi:10.1186/s12880-026-02924-w.Vérifié : Résumé uniquement
Voir les 1 articles sur la myasthénie grave →
Encéphalite auto-immune, CIDP et syndrome de Guillain-Barré : traitement, essais et IA
Aucun nouvel article éligible pour ce numéro.