L’intelligence artificielle apporte de nouvelles solutions dans la prise en charge de la sclérose en plaques (SEP), en améliorant l’analyse des IRM, en anticipant la progression, en personnalisant les traitements et en révélant de nouveaux biomarqueurs utiles au suivi.
© IA Médicale | Image générée par IA
L’IRM cérébrale reste l’examen clé pour diagnostiquer la SEP, mais son interprétation prend du temps et demande une expertise en neuroradiologie. Des programmes d’IA peuvent maintenant assister les praticiens en analysant automatiquement ces images pour repérer les anomalies évocatrices de la maladie. Des algorithmes d’apprentissage profond apprennent à reconnaître les motifs typiques des lésions de SEP sur les séquences T2 et FLAIR. Certains modèles combinant radiomique et techniques d’optimisation ont montré des performances prometteuses, mais nécessitent encore validation sur des cohortes cliniques indépendantes.
L’IA repère aussi plus vite les nouvelles lésions actives lors des examens de suivi, en les délimitant de manière cohérente. Elle identifie également des marqueurs radiologiques spécifiques comme le signe de la veine centrale ou les lésions à bord paramagnétique, des signes qui orientent fortement vers une SEP plutôt que vers d’autres maladies. Cette capacité augmente la précision du diagnostic en distinguant les lésions de SEP des lésions vasculaires ou d’autres pathologies. Par ailleurs, des techniques d’imagerie avancées (IRM fingerprinting 3D, IRM à 7 Tesla) couplées à l’IA, différencient avec grande exactitude les cerveaux de patients SEP des sujets sains. L’IA excelle aussi à séparer les plaques de SEP d’autres anomalies cérébrales, comme une tumeur de bas grade, en analysant leur spectre IRM. Ces avancées montrent que l’IA devient un assistant précieux pour poser un diagnostic plus précoce et fiable de la SEP.
Segmenter avec précision chaque lésion visible sur une IRM cérébrale est une étape importante, mais historiquement longue et sujette à des différences d’interprétation entre spécialistes. Les avancées récentes, notamment les réseaux neuronaux convolutifs 2D et 3D comme U-Net, facilitent cette tâche en automatisant la détection des lésions. En quelques minutes, ces outils peuvent générer des contours fiables, offrant aux cliniciens un gain de temps appréciable tout en améliorant la cohérence des résultats entre différents examens ou praticiens.
Ces outils offrent une quantification reproductible du volume lésionnel à chaque examen, facilitant le suivi de la maladie. Une augmentation de la charge lésionnelle ou l’apparition de nouvelles plaques entre deux IRM consécutives sont détectées par l’IA, signalant une progression ou une efficacité insuffisante du traitement en cours. La segmentation automatique libère aussi du temps au radiologue, qui peut se concentrer sur des tâches à plus forte valeur ajoutée.
Un des enjeux majeurs en SEP consiste à prédire l’évolution du handicap pour chaque patient, afin d’adapter au mieux le traitement. Deux concepts retiennent particulièrement l’attention : la progression indépendante des poussées (PIRA) et l’aggravation associée aux poussées (RAW). La PIRA correspond à l’accumulation de handicap neurologique sans poussées inflammatoires aiguës, tandis que le RAW désigne la part du handicap directement attribuable aux poussées inflammatoires.
L’IA se révèle précieuse pour prédire cette progression du handicap. En intégrant plusieurs types de données (imagerie, informations cliniques, la durée de la maladie, le score EDSS, biomarqueurs) les algorithmes d’apprentissage automatique détectent des profils associés à une évolution défavorable. Le projet ProMiSi a par exemple développé un modèle prédictif basé sur l’IA qui intègre données démographiques et score EDSS de départ, et qui estime avec forte exactitude le risque de progression sur plusieurs années. D’autres travaux combinent données de marche (issues de capteurs ou tests instrumentés) avec des algorithmes d’apprentissage automatique pour détecter de subtiles modifications de la démarche, indicatrices d’une progression du handicap. Ces approches permettent d’alerter le clinicien sur une aggravation débutante, parfois avant même que le patient ne la perçoive.
Identifier précocement si une aggravation du handicap est liée à des poussées ou résulte d’un processus progressif silencieux est essentiel pour adapter le traitement. Les mesures cliniques classiques comme l’EDSS montrent leurs limites : peu sensibles aux changements subtils, elles ne détectent pas les processus silencieux comme l’inflammation chronique compartimentée ou l’atrophie cérébrale progressive.
L’IA peut compenser cette limite en intégrant plusieurs marqueurs complémentaires pour mieux estimer la progression de la sclérose en plaques. Par exemple, un modèle analyse simultanément :
Cette approche fournit une vision plus fine de la progression réelle du patient. La capacité à distinguer la part du handicap liée à la PIRA de celle causée par les poussées est essentielle pour optimiser les choix thérapeutiques. En ce sens, la prédiction personnalisée de l’évolution par IA ouvre la voie à une médecine proactive : identifier aujourd’hui les patients qui s’aggraveront demain, et ajuster leur prise en charge dès maintenant.
Face à une vingtaine de traitements de fond différents aujourd’hui disponibles et à leur efficacité variable selon les patients, la décision thérapeutique en SEP devient de plus en plus complexe. L’approche classique consistant à débuter par des traitements de première ligne puis à intensifier si nécessaire est aujourd’hui remise en question. Un traitement précoce par une thérapie à haute efficacité semble mieux limiter l’accumulation de handicap à long terme, surtout lorsqu’il est initié dans les premières années. Mais identifier le bon traitement pour le bon patient au bon moment relève du défi, vu les multiples facteurs à considérer : activité de la maladie, profil de risque, comorbidités, préférences personnelles, etc.
L’IA peut grandement assister les cliniciens dans cette décision thérapeutique personnalisée. Des algorithmes exploitant les données globales du patient (profil radiologique, historique de poussées, marqueurs biologiques, données génétiques…) sont capables de fournir des recommandations de traitement optimisées, en se basant sur la comparaison avec des milliers de profils similaires.
Concrètement, on voit émerger des outils d’aide à la décision qui simulent l’évolution probable de la maladie sous différentes options thérapeutiques. Un concept prometteur est celui du jumeau numérique : créer une copie virtuelle du patient intégrant toutes ses données, sur laquelle on teste virtuellement l’effet de divers traitements pour choisir la stratégie offrant le meilleur pronostic. Bien que ces jumeaux numériques en soient à un stade précoce, ils préfigurent la médecine personnalisée de demain.
Parallèlement, des modèles d’IA plus classiques basés sur l’apprentissage automatique peuvent prédire la réponse à un traitement en SEP. En entraînant un algorithme sur les données de grandes cohortes avec l’historique des traitements et des réponses cliniques, on peut anticiper par exemple si un patient a un haut risque de nouvelle poussée sous tel traitement, ou s’il pourrait au contraire rester stable plusieurs années. Un projet européen récent, CLAIMS, vise d’ailleurs à développer une plateforme décisionnelle IA pour la SEP, offrant au clinicien une vue d’ensemble du patient et une projection de l’évolution sous différents traitements possibles, pour guider un choix éclairé.
Il est essentiel de rappeler que la personnalisation du traitement par l’IA ne remplace pas l’expertise du clinicien. L’objectif est de fournir un appui fondé sur les données pour guider le neurologue dans ses choix thérapeutiques. En ce sens, l’IA agit comme un assistant décisionnel, facilitant une médecine plus précise et adaptée dans la sclérose en plaques.
Les formes classiques de la SEP (rémittente-récurrente, secondairement progressive, primaire progressive) ont une certaine utilité pour décrire l’évolution clinique, mais elles ne reflètent qu’imparfaitement la diversité des trajectoires individuelles ni ne permettent d’anticiper efficacement l’évolution à long terme. L’IA, en exploitant de grandes bases de données patients, permet d’identifier des sous-groupes plus homogènes sur le plan pronostique que ces catégories traditionnelles.
Récemment, une approche d’apprentissage automatique probabiliste appliquée à plus de 8 000 patients a permis de proposer une reclassification de l’évolution de la SEP. Cette approche a mis en évidence quatre dimensions clés :
Ces axes permettent de positionner chaque patient sur un spectre évolutif continu, allant d’une SEP légère et précoce à une forme avancée avec handicap sévère et forte charge lésionnelle.
Les patients aux stades initiaux présentent peu d’atteintes cliniques ou radiologiques, tandis que les formes avancées cumulent un fardeau lésionnel important et un handicap durable et marqué. Le passage à un stade avancé semble rarement réversible, ce qui renforce l’intérêt d’une détection précoce de ces transitions. Cette reclassification continue, validée sur des cohortes indépendantes, invite à considérer la SEP comme un continuum évolutif, plutôt que comme une succession de catégories figées.
Ces stratifications pilotées par l’IA pourraient améliorer la prise de décision clinique, par exemple, en détectant qu’un patient entre dans une phase plus progressive, et ainsi permettre d’ajuster rapidement le traitement. Elles constituent également un atout pour la recherche, en facilitant le ciblage de traitements sur des stades précis de la maladie.
Au-delà des classifications globales, l’IA permet aussi de stratifier les patients selon des critères biologiques ou pronostiques plus fins. Certains modèles supervisés combinent IRM de base, score EDSS et biomarqueurs pour anticiper le type d’évolution de la maladie (rémittente vs progressive) ou le niveau futur de handicap. D’autres approches s’appuient sur les données d’expression génique, identifiant des profils distincts selon les stades de la SEP (CIS, RRMS, SPMS). Ces outils préfigurent une prise en charge réellement individualisée, où chaque patient pourrait bénéficier d’un parcours de soins adapté à son profil prédictif.
L’IA permet d’extraire des mesures quantitatives avancées à partir des IRM, enrichissant le suivi de la SEP au-delà des seuls indicateurs cliniques. Parmi les données les plus utiles figurent :
L’IA peut par exemple détecter et mesurer automatiquement les lésions à expansion lente sur les IRM successives et ainsi fournir un indicateur de progression silencieuse. De même, la présence et le nombre de lésions avec un anneau paramagnétique pourraient être identifiés sur des séquences dédiées par des algorithmes, constituant un marqueur de neurodégénérescence en cours. En intégrant ces données d’imagerie avancées, l’IA améliore la capacité à prédire l’évolution du handicap dans la SEP, au-delà de ce que permet la seule évaluation clinique.
En ophtalmologie, l’OCT fournit un autre biomarqueur majeur de la SEP : l’épaisseur des couches de la rétine. L’amincissement progressif de la couche de fibres nerveuses rétiniennes chez un patient SEP reflète la perte axonale et neuronale au fil du temps. Des algorithmes d’apprentissage automatique appliqués aux images OCT distinguent avec succès les patients SEP des sujets sains, et permettent même d’estimer le pronostic : des modèles détectent des schémas d’amincissement rétinien corrélés à une progression future du handicap. Des approches basées sur l’IA ont été proposées pour améliorer la qualité et l’analyse des données OCT en routine. À terme, l’OCT analysée par IA pourrait devenir un outil de suivi simple de l’activité neurodégénérative chez les patients atteints de SEP.
Un autre champ en plein développement concerne les biomarqueurs issus des capteurs et applications. La miniaturisation des capteurs inertiels et l’omniprésence des smartphones ont ouvert la porte au suivi en continu de certains paramètres de patients à domicile. Des capteurs portables quantifient la démarche, l’équilibre, la motricité fine ou même la voix. Des capteurs vestimentaires et des parcours de marche instrumentés permettent de détecter chez les patients SEP des troubles de marche discrets, indicateurs d’une progression subclinique. L’analyse automatisée de l’enregistrement de la voix révèle également des changements subtils au cours du temps chez les patients SEP, ouvrant la voie à un outil de suivi de l’atteinte bulbaire ou cognitive à distance.
Le domaine cognitif n’est pas en reste : un test cognitif, l’Integrated Cognitive Assessment (ICA), a démontré une excellente sensibilité pour détecter le déclin cognitif chez les patients SEP en quelques minutes via une application. Ce test, indépendant de la langue, pourrait être utilisé régulièrement par les patients sur tablette, les résultats étant analysés par IA pour alerter en cas de dégradation cognitive.
De l’imagerie IRM aux capteurs connectés, l’IA transforme la prise en charge de la sclérose en plaques. Elle offre des outils puissants pour diagnostiquer, surveiller et traiter de manière plus personnalisée. Malgré des défis à relever (qualité des données et intégration aux pratiques cliniques), l’IA constitue une révolution prometteuse au service des patients SEP et des professionnels de santé.