Le trouble bipolaire est une affection de santé mentale qui touche, selon
la Haute Autorité de Santé, au moins 1 à 2,5 % de la population française. Il se caractérise par des changements d'humeur marqués, avec l'apparition d'épisodes dépressifs, et hyperthymiques (périodes d'exaltation, d'énergie décuplée). On distingue principalement le trouble bipolaire de type I, composé d'une succession d'épisodes dépressifs et (hypo)maniaques, et le type II, composé d'épisodes dépressifs et hypomaniaques.
Le diagnostic de cette pathologie repose généralement sur un examen clinique, effectué par un psychiatre, à partir de symptômes déclarés et de signes observés.
« Cet exercice peut s'avérer cependant difficile, le trouble bipolaire pouvant être confondu avec un trouble dépressif », souligne Inès Tahir, doctorante en IA pour la santé au CEA-Leti.
« De même, il peut être difficile de confirmer le sous-type tant que les épisodes caractéristiques plus spécifiques ne sont pas diagnostiqués. Cela peut entraîner des conséquences dramatiques, car les stratégies thérapeutiques employées ne sont pas les mêmes selon les cas. Et, par exemple, les médicaments pour soigner la dépression peuvent avoir des effets délétères sur des personnes bipolaires. »
Deux méthodes complémentaires d'imagerie cérébrale
La thèse d'Inès Tahir vise précisément à aider les médecins à établir un diagnostic. Elle s'inscrit dans le cadre d'une étude clinique menée par l'équipe du professeur Mircea Polosan – professeur à l'Université Grenoble Alpes, chef de service psychiatrie du CHU Grenoble Alpes, responsable d'un Centre Expert FondaMental et directeur de la thèse, s'inscrivant dans un projet collaboratif plus large avec l'Institut de technologie de Holon (Tel-Aviv, Israël). Baptisée BipoNIRS, cette étude a pour but d'identifier les marqueurs d'intérêt pour la classification du trouble bipolaire et de ses sous-types et, à terme, de parvenir à une aide au diagnostic plus précoce. La doctorante contribue à cet objectif en exploitant les données recueillies de sorte à identifier des biomarqueurs du trouble bipolaire à partir de l'ensemble des données acquises. De plus, elle poursuit ces développements en proposant une configuration EEG-fNIRS frontale, basée sur les biomarqueurs d'intérêt, qui faciliterait l'utilisation d'un dispositif clinique dédié en routine clinique.
L'EEG consiste à placer des électrodes sur le cuir chevelu afin de mesurer l'activité électrique du cerveau. De son côté, la fNIRS repose sur des capteurs optiques, des optodes, qui permettent d'estimer la concentration en hémoglobine oxygénée et désoxygénée dans le cerveau, par analyse de la diffusion et de l'absorption de la lumière à travers les tissus. Deux méthodes complémentaires sur lesquelles a travaillé le CEA-Leti.
Analyse des données EEG et fNIRS par IA
L'étude conduite par Inès Tahir s'appuie sur une cohorte de 25 sujets sains, 21 patients atteints d'un trouble bipolaire de type I et 25 de type II. Équipés d'un casque associant EEG et fNIRS, tous ont suivi un protocole comportant une « tâche visuelle émotionnelle », qui explore le traitement cognitivo-émotionnel de divers stimuli. Une tâche qui nécessite généralement davantage de temps chez les personnes bipolaires, en raison de leurs difficultés à réguler leurs émotions.
Pour traiter les données d'EEG et de fNIRS, la doctorante a développé un modèle d'IA capable d'apprendre à classer les différents sujets.
« Cette approche constitue une contribution innovante, car elle exploite la complémentarité de l'EEG et de la fNIRS pour identifier les biomarqueurs les plus pertinents du trouble bipolaire et de ses sous-types, tout en tenant compte des contraintes liées au nombre limité de sujets dans l'étude », souligne Inès Tahir.
L'algorithme a pris en compte ces effectifs restreints en évitant le surapprentissage et les biais possibles, afin de conserver une bonne capacité de généralisation.
Un modèle différenciant les troubles bipolaires de type I et de type II
Le modèle a alors été testé sur cet échantillon : il est parvenu à identifier des biomarqueurs adéquats et à distinguer les individus atteints d'un trouble bipolaire de type I de ceux de type II et des sujets sains. Notamment, la combinaison des signaux EEG et fNIRS permet d'améliorer significativement les performances de classification par rapport à l'EEG seul. Dans le détail, le niveau de précision atteint 92 % pour la discrimination des patients atteints de trouble bipolaire de type I versus sujets sains, 85 % pour les patients de type II versus sujets sains, et 85 % pour la distinction entre les sous-types, dans la configuration où l'EEG couvre l'ensemble de la tête.
De plus, l'étude a permis de confirmer la complémentarité EEG-fNIRS en montrant que, lorsque les deux modalités étaient couplées, il était possible d'établir une classification en employant seulement des électrodes et optodes frontales. Dans cette configuration, l'utilisation de la fNIRS pallie la difficulté d'utiliser les seuls signaux EEG frontaux, souvent perturbés par les artéfacts dus au visage. Les performances atteignent ainsi jusqu'à 82 % pour la discrimination des patients bipolaires type II versus sujets sains et 75 % pour la distinction entre les sous-types, tout en maintenant une capacité de discrimination globale satisfaisante. Ces résultats démontrent la pertinence d'un système compact, portable et compatible avec une utilisation en pratique clinique.
Ces premiers résultats ouvrent de nombreuses perspectives prometteuses.
« Pour approfondir, il faudrait également s'intéresser aux parents, enfants, frères et sœurs des patients, au sein de cohortes plus grandes », citent Anne Planat-Chrétien, chercheuse au CEA-Leti, et le Professeur Polosan.
« Il serait aussi judicieux d'y inclure d'autres troubles psychiatriques, comme la dépression ou la schizophrénie, afin d'affiner la spécificité de l'approche et de permettre de différencier le trouble bipolaire des autres pathologies. »
Découvrez la publication :https://www.nature.com/articles/s41398-026-03858-1
Ces travaux ont été réalisés en collaboration avec le
CHU Grenoble Alpes et Université Grenoble Alpes.