Le réseau de neurones STST-JEPA apprend à estimer l'âge biologique à partir de l'EEG

Des chercheurs ont présenté STST-JEPA (Shallow-Target Spatio-Temporal Joint Embedding Prediction Architecture), un transformer fondé sur l'apprentissage auto-supervisé qui traite l'électroencéphalographie (EEG), aussi bien au repos que pendant des tâches cognitives.

Comment fonctionne le modèle

Le modèle recourt à la prédiction latente : il prédit des représentations de tokens masqués par rapport à une cible mise à jour par moyenne mobile exponentielle. S'y ajoute un signal auxiliaire de reconstruction pour des fenêtres de 30 secondes d'EEG multicanal, avec masquage de blocs spatio-temporels. L'architecture repose sur des transformers, ce qui permet au modèle de capter les dépendances à long terme dans les signaux cérébraux.

L'entraînement a utilisé deux grands corpus de données EEG, brain.space et Healthy Brain Network (HBN), soit 47,703 sessions au total.

Résultats : prédiction de l'âge biologique

La prédiction de la brain age (âge biologique) est l'une des applications clés. Sur 3,367 sessions de test, le modèle a atteint une erreur absolue moyenne (MAE) de 3,06 ans, avec une corrélation r = 0,924. À titre de comparaison, l'approche de référence (deviner la valeur moyenne) donne une erreur d'environ 10 ans.

Un fine-tuning léger des dernières couches a permis au modèle de prendre la première place du leaderboard public de NeuralBench sur ces tâches :

• Classification du sexe : balanced accuracy 0,911
• Prédiction de l'âge : r = 0,749
• Régression de composites psychopathologiques : r = 0,215

Fait intéressant, l'erreur résiduelle de la prédiction d'âge du modèle est corrélée négativement aux performances cognitives sur plusieurs des tâches testées.

Pourquoi c'est important pour la médecine

L'écart entre âge biologique et âge chronologique est un biomarqueur qui peut signaler des troubles neurologiques et psychiatriques, un vieillissement cérébral accéléré ou, à l'inverse, une santé exceptionnelle. L'EEG est attrayant pour ce type de dépistage car il est peu coûteux, portable et riche en information temporelle.

Cependant, les modèles d'EEG se heurtent à plusieurs obstacles : l'hétérogénéité des montages entre laboratoires (configurations d'électrodes différentes), la petite taille des cohortes annotées et une non-stationnarité dominante au niveau du sujet (instabilité du signal dans le temps). STST-JEPA s'attaque à ces problèmes en s'entraînant sur un vaste corpus de données en mode auto-supervisé.

Ce que cela signifie

La robotique et la neuro-imagerie sont des tests honnêtes pour l'IA. Si un modèle peut prédire l'âge biologique à ±3 ans près à partir de l'EEG sur toute la plage, des enfants aux personnes âgées, cela montre la valeur réelle des foundation models dans les applications médicales. L'étape suivante consiste à utiliser STST-JEPA pour diagnostiquer des maladies précises (dépression, autisme, démence) à partir de l'écart de la brain age par rapport à la norme.