BRAINTWIN

En neurologie, où l’hétérogénéité des maladies entrave les méthodes conventionnelles, la technologie des jumeaux numériques offre un changement de paradigme. Pour les tumeurs cérébrales primitives (gliomes, méningiomes et lymphomes primitifs du SNC) et la maladie des petits vaisseaux cérébraux (SVD), des pathologies au cours imprévisible et aux réponses thérapeutiques variables, BRAINTWIN propose une architecture novatrice de génération de jumeaux numériques personnalisés.

Contexte et justification

Les trajectoires individuelles de la maladie ne sont pas prises en compte par les approches actuelles, fondées sur des statistiques de population avec peu de biomarqueurs. Aucun instrument n’existe pour estimer le risque de récidive d’AVC ou le déclin cognitif dans la SVD. La prise en charge personnalisée des gliomes et lymphomes est compliquée par leur hétérogénéité moléculaire. Afin de simuler l’évolution de la maladie et la réponse aux traitements, BRAINTWIN associe modélisation pilotée par IA et fusion de données multimodales (neuro-imagerie, histopathologie et données cliniques / omiques).

Nouvelles approches

Quatre innovations clés composent l’infrastructure du projet :

1) Fusion multimodale explicable basée sur des modèles fondamentaux : créer des modèles profonds combinant profils génomiques, texte clinique, lames histologiques entières et IRM 3D en embeddings patients uniques. Le pré-entraînement des extracteurs de caractéristiques sur de grands jeux de données biomédicaux (p. ex. modèles vision-langage et Bio-BERT) permet le transfert de connaissances. Des méthodes de cartographie de saillance et des transformeurs à double attention offrent aux cliniciens la possibilité́ d’attribuer les prédictions à des lésions, variants génétiques ou motifs histopathologiques précis.

2) Apprentissage fédéré (FL) résilient aux attaques, conforme au RGPD : entraîner les modèles IA sur des réseaux hospitaliers décentralisés (Institut du Cerveau – Paris, Hospices Civils de Lyon) sans centraliser les données sensibles. Utiliser des algorithmes d’agrégation robustes (p. ex. FedProx, Krum) et des techniques de confidentialité différentielle pour contrer les contributions malveillantes et l’hétérogénéité des données.

3) Modélisation générative par pont de Schrödinger : exploiter des modèles génératifs avancés pour modéliser les trajectoires longitudinales de la maladie et combler les modalités manquantes (p. ex. séquences IRM interrompues). Synthétiser des données artificielles biologiquement réalistes afin d’améliorer l’entraînement et la généralibilité.

4) Validation clinique inter-domaines : Neuro-oncologie : estimer la survie, la réponse thérapeutique et les sous-types moléculaires (p. ex. mutation IDH) des gliomes et lymphomes. SVD et neurodégénérescence : utiliser des cohortes longitudinales (p. ex. 3C, UK Biobank) pour estimer le risque de démence, le déclin cognitif et la récidive d’AVC en collaboration avec le VBHI à Bordeaux.

Sept workpackages (WP) structurent le projet :

▪ WP1 – Intégration : collecte, harmonisation et plateforme FAIR (3 000 tumeurs, 1 000 SVD).

▪ WP2 – IA : conception des encodeurs, modules de fusion et prédicteurs (survie, classification).

▪ WP3 – Fédéré : infrastructure multisites, optimisation des communications et de la confidentialité.

Résultats attendus

▪ Scientifiques : nouveaux algorithmes de fusion, fédéré robuste et génération de trajectoires.

▪ Cliniques : jumeaux numériques validés pour une stratification précise et des interventions plus précoces.

▪ Sociétaux : modèle conforme aux réglementations européennes, renforçant confiance et protection des données.

Conclusion

En alliant IA de pointe et expertise clinique, BRAINTWIN ambitionne de transformer la neurologie personnalisée. Son cadre évolutif s’étend à d’autres maladies tout en répondant aux défis de confidentialité́, d’interprétabilité́ et d’applicabilité́ clinique