Le réseau neuronal STST-JEPA a appris à déterminer l'âge biologique à partir de l'EEG

Les chercheurs ont présenté STST-JEPA (Architecture de Prédiction d'Incorporation Conjointe Spatio-Temporelle à Cible Superficielle) — un transformateur basé sur l'apprentissage autosupervisé pour traiter l'électroencéphalographie (EEG) au repos et pendant les tâches cognitives.

Comment fonctionne le modèle

Le modèle utilise la prédiction latente — prédiction des représentations de jetons masqués par rapport à une cible mise à jour par moyenne mobile exponentielle. Ceci est augmenté avec un signal de reconstruction auxiliaire pour des fenêtres de 30 secondes d'EEG multicanal avec masquage de blocs spatio-temporels. L'architecture est basée sur les transformateurs, ce qui permet au modèle de capturer les dépendances à long terme dans les signaux cérébraux.

L'entraînement a été effectué sur deux grands corpus de données EEG : brain.space et Healthy Brain Network (HBN), totalisant 47 703 sessions.

Résultats : prédiction de l'âge biologique

La prédiction de l'âge cérébral 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 de r = 0,924. À titre de comparaison, l'approche de base (deviner la valeur moyenne) donne une erreur d'environ 10 ans.

L'application d'un ajustement fin léger des couches finales a permis au modèle de se classer premier sur le classement public de NeuralBench sur les tâches :

• Classification des genres : précision équilibrée 0,911
• Prédiction de l'âge : r = 0,749
• Régression composite psychopathologique : r = 0,215

Interessant, l'erreur résiduelle dans la prédiction de l'âge corrèle négativement avec les performances cognitives sur plusieurs tâches testées.

Pourquoi cela importe pour la médecine

L'écart de l'âge biologique par rapport à l'âge chronologique est un biomarqueur qui peut indiquer des troubles neurologiques et psychiatriques, un vieillissement cérébral accéléré, ou inversement, une santé exceptionnelle. L'EEG est attrayant pour ce type de dépistage car il est peu coûteux, portable et riche en informations temporelles.

Cependant, les modèles EEG font face à plusieurs défis : hétérogénéité du montage des électrodes entre les laboratoires (différentes configurations d'électrodes), petites cohortes annotées, non-stationnarité dominante au niveau du sujet (instabilité temporelle du signal). STST-JEPA résout ces problèmes grâce à l'entraînement sur un grand corpus de données en mode autosupervisé.

Ce que cela signifie

La robotique et la neuroimagerie sont des tests honnêtes pour l'IA. Si un modèle peut prédire l'âge biologique avec une précision de ±3 ans à partir de l'EEG sur toute la gamme des enfants aux personnes âgées, cela démontre la valeur réelle des modèles de base dans les applications médicales. L'étape suivante consiste à utiliser STST-JEPA pour diagnostiquer des maladies spécifiques (dépression, autisme, démence) en fonction de l'écart de l'âge cérébral par rapport à la norme.