L’IRM structurelle ne permet pas, à elle seule, de diagnostiquer la dépression

Bien qu'elle figure parmi les principales causes d’incapacité[1] dans le monde, la dépression reste mal comprise, peut-être en raison de sa présentation hétérogène et de l’influence de multiples facteurs sur son apparition – tels que la génétique, le stress, les traumatismes et l’état de santé. Des études précédentes ont montré une réduction du volume de l'hippocampe chez les personnes souffrant de dépression, ou encore une épaisseur corticale frontale plus élevée chez les patients qui répondent bien à un traitement antidépresseur.

« Ces indices suggèrent que certaines régions cérébrales sont impliquées dans la survenue de la dépression, mais aussi dans l'évolution des épisodes dépressifs et la réponse au traitement », explique Baptiste Couvy-Duchesne (Inria), chercheur au sein de l’équipe Aramis à l’Institut du Cerveau, actuellement en détachement au QIMR Berghofer de Brisbane, en Australie, et dernier auteur de l’étude. « Nous souhaitions déterminer si la dépression pouvait être diagnostiquée grâce à l’imagerie, notamment par l’IRM structurelle, qui permet d’analyser l’architecture de la substance grise – ce tissu composé des corps cellulaires et des dendrites des neurones. »

Des ordinateurs entraînés à lire le cerveau

L’équipe internationale, formée grâce à la collaboration entre l’Institut du Cerveau et l’Université du Queensland, en Australie, a analysé les IRM cérébrales de près de 8 000 personnes enregistrées dans l’UK Biobank, dont environ 1 500 présentaient des antécédents de trouble dépressif majeur. À l'aide de modèles informatiques avancés, les chercheurs ont entraîné des algorithmes sur de minuscules unités tridimensionnelles appelées voxels, l'équivalent 3D des pixels, à partir des images de la base de données. L’objectif ? Déterminer s’il existe des marqueurs d’imagerie capables d’identifier les personnes atteintes de dépression. 

L’un de leurs modèles, fondé sur une méthode d'apprentissage automatique, a obtenu de meilleurs résultats que le hasard : les personnes réellement dépressives étaient plus susceptibles d'obtenir un score prédictif de risque de dépression plus élevé.

« Nos résultats indiquent que la structure de la substance grise contient effectivement des informations sur la dépression », explique Jiayue-Clara Jiang, chercheuse au sein de l'Institut de biosciences moléculaires (IMB) de l'Université du Queensland et première autrice de l’étude. « Toutefois, ces informations restent limitées. La structure cérébrale seule ne suffit pas pour diagnostiquer la maladie avec précision. »

Autre fait intéressant : une approche plus complexe, basée sur l'apprentissage profond – souvent considéré comme l’une des méthodes les plus avancées en intelligence artificielle – n'a pas donné de meilleurs résultats. 

Une maladie complexe aux causes multiples

La dépression ne possède pas de cause biologique univoque. Pour preuve, l’équipe a découvert que les prédictions fondées sur l’imagerie recoupaient partiellement le risque génétique de dépression. Lorsque ces deux sources d’information étaient combinées, les prédictions s'amélioraient légèrement, mais pas suffisamment pour être utiles en clinique.

Les chercheurs ont également examiné quelles régions du cerveau contribuaient le plus à la production de prédictions justes. Ils montrent que l'hippocampe et l'amygdale, associés à l'humeur et aux émotions, fournissaient des signaux utiles – une observation conforme à la littérature scientifique existante. Cependant, aucune région du cerveau, prise isolément, n’a permis d’extraire des informations assez claires pour servir de biomarqueur.

Des résultats négatifs importants

Même si ces résultats découragent l’usage de l’IRM structurelle pour dépister la dépression, ils fournissent des informations précieuses.

En effet, la perspective selon laquelle l'intelligence artificielle pourrait identifier les troubles mentaux à partir de scans cérébraux suscite un intérêt croissant. Cette étude suggère qu'il existe des limites importantes à cette approche, du moins lorsqu’on se limite aux méthodes IRM actuelles et à l’analyse de la structure de la matière grise. 

Les chercheurs estiment que leur technique n’explique qu’environ 6 % de la variabilité du risque de dépression. Cela signifie que, même avec des études à plus grande échelle, la précision des prédictions fondées sur l'IRM structurelle demeurera probablement limitée. 

Un outil de recherche, pas un test diagnostique

Actuellement, le diagnostic de la dépression repose entièrement sur l'évaluation clinique.

Toutefois, ce type d’étude aide les chercheurs à mieux comprendre comment des facteurs génétiques, développementaux et métaboliques interagissent avec les expériences de vie des patients, façonnant les épisodes dépressifs.

En effet, la matière grise est dynamique ; sa structure évolue tout au long de la vie, en fonction de l’âge, de maladies éventuelles ou d’expositions environnementales. 

« Ici, nous avons mené une étude dite transversale, qui consiste à observer une population à un instant donné. Pour cela, nous avons utilisé une seule IRM par individu. Or, parmi les personnes étudiées, certaines ont connu des épisodes dépressifs plusieurs années avant l’examen d’imagerie. Pour mieux saisir l’évolution de la matière grise et comprendre comment elle se modifie pendant et après un épisode dépressif, il faudrait recourir à des données longitudinales, c’est-à-dire à l’analyse d’IRM successives sur une longue période. Ce type de données n’est pas disponible à grande échelle aujourd’hui, mais constitue une piste de recherche prometteuse pour la suite », conclut le chercheur.

En formulant des attentes réalistes et en identifiant les limites de la technologie actuelle, l'équipe espère orienter ses futures recherches vers des moyens plus efficaces d'étudier et, à terme, de traiter la dépression.

[1] Global, regional, and national burden of disorders affecting the nervous system, 1990–2021: a systematic analysis for the Global Burden of Disease Study, The Lancet Neurology, 2021, mis à jour en 2024. https://www.thelancet.com/journals/laneur/article/PIIS1474-4422(24)00038-3