Diagnostic différentiel des maladies neurodégénératives par LLM à partir de comptes rendus d’atrophie cérébrale issus de l’IRM
Résumé
Le diagnostic différentiel des maladies neurodégénératives est difficile en raison du chevauchement et de l’hétérogénéité des profils d’atrophie cérébrale observés en IRM structurelle. Bien que les classifieurs supervisés fondés sur l’apprentissage profond aient montré des performances prometteuses, ils nécessitent de grands jeux de données annotées et restent sensibles aux changements de domaine. Les modèles vision-langage (VLM) offrent une approche prometteuse pour l’inférence sans exemple en exploitant les représentations apprises lors d’un préentraînement multimodal à grande échelle ; cependant, les VLM actuels peinent à interpréter les IRM cérébrales, où le diagnostic exige de distinguer des profils d’atrophie subtils et distribués, liés à la maladie, des changements liés à l’âge. Pour surmonter ces difficultés, nous proposons un cadre modulaire qui reformule le diagnostic différentiel comme un raisonnement sur des descriptions structurées de l’atrophie cérébrale plutôt que sur des IRM brutes. Ce cadre combine une parcellisation cérébrale automatisée et une modélisation normative couvrant la durée de vie afin de quantifier les écarts par rapport aux trajectoires de vieillissement attendues, puis les convertit en comptes rendus qualitatifs d’atrophie conformes à la terminologie des maladies neurodégénératives. Ces comptes rendus sont ensuite traités par de grands modèles de langage (LLM), qui exploitent les connaissances acquises pendant leur préentraînement pour effectuer un raisonnement diagnostique sans exemple, en générant des justifications lisibles et une hypothèse diagnostique hiérarchisée. Évalué sur un jeu de référence à cinq classes de maladies neurodégénératives, le cadre proposé surpasse l’inférence directe des VLM sur les IRM et atteint des performances comparables à celles des classifieurs supervisés fondés sur l’IRM.