Ces travaux ont été réalisés dans le cadre d'une compétition internationale d’apprentissage automatique, EEG Foundation Challenge, organisée à l’occasion de la plus grande conférence sur l'IA "Neural Information Processing Systems (NeurIPS) 2025", qui s’est déroulée en novembre 2025.
Contexte scientifique et enjeux
En psychiatrie et plus particulièrement en psychopathologie, l’évaluation des troubles psychiques ou mentaux repose encore majoritairement sur des outils cliniques subjectifs, tels que des questionnaires ou des entretiens, dont l’interprétation peut être influencée par des biais, culturels, contextuels ou individuels. Contrairement à d’autres domaines médicaux disposant de marqueurs biologiques ou physiologiques bien établis, il n’existe pas encore de mesure objective largement reconnue permettant de caractériser précisément certains troubles.
L’un des enjeux majeurs de la recherche actuelle est donc de réduire cette part de subjectivité en s’appuyant sur des données neurophysiologiques, telles que l’activité électrique du cerveau. L’électroencéphalographie (EEG), combinée à des méthodes avancées d’apprentissage automatique, constitue une piste possiblement prometteuse pour progresser vers une médecine de précision en santé mentale.
Données et méthodologie
Le projet s’appuie sur un vaste jeu de données issu du Child Mind Institute aux États-Unis, comprenant des informations relatives à environ 3 000 sujets âgés de 5 à 21 ans (âge médian de 10 ans). Ces données proviennent de la cohorte HBN-EEG et combinent deux types d’informations complémentaires :
- des enregistrements EEG, réalisés à l’aide de casques équipés de multiples électrodes, permettant de mesurer l’activité électrique du cerveau ;
- des données comportementales, issues de questionnaires cliniques standardisés.
Les questionnaires utilisés sont principalement le Child Behavior Checklist (CBCL), un outil de référence en psychologie de l’enfant, composé de 66 questions auxquelles les parents répondent en évaluant différents comportements observés chez leur enfant. Les réponses ne sont pas exploitées directement, mais intégrées dans un modèle statistique « bifactoriel ».
Ce modèle permet d’extraire plusieurs facteurs:
- un facteur général, appelé facteur P (psychopathology factor), reflétant une vulnérabilité globale aux troubles psychopathologiques ;
- des facteurs plus spécifiques, tels que l’externalisation, l’internalisation et l’attention.
Dans le cadre de ce projet, l’analyse s’est portée principalement sur le facteur d’externalisation, qui regroupe des comportements dirigés vers l’extérieur, tels que l’agressivité, l’impulsivité ou le non-respect des règles.
Légende - Schéma conceptuel du projet Les enregistrements EEG issus de la cohorte HBN-EEG sont analysés à l’aide d’un modèle de fondation en apprentissage automatique. Les signaux cérébraux sont mis en relation avec des scores comportementaux issus de questionnaires standardisés afin d’estimer différents facteurs psychopathologiques. Les calculs sont réalisés sur le supercalculateur Jean Zay
Apprentissage automatique et calcul intensif
L’objectif principal était d’évaluer dans quelle mesure ces facteurs comportementaux peuvent être prédits à partir des signaux EEG, à l’aide de modèles d’apprentissage automatique. Pour cela, l’équipe a développé et entraîné des modèles de type « fondation », capables d’exploiter de grandes quantités de données neuronales et d’en extraire des représentations pertinentes.
La mise en œuvre de ces approches a nécessité des ressources de calcul importantes. Le projet a ainsi bénéficié de plusieurs milliers d’heures du supercalculateur Jean Zay, mobilisant à la fois des CPU et, majoritairement, des GPU, afin d’accélérer l’entraînement et l’évaluation des modèles d’intelligence artificielle.
Résultats et perspectives
Les travaux réalisés dans le cadre de cette compétition ont permis d’initier une exploration du potentiel du décodage neuronal pour estimer certains facteurs psychopathologiques à partir de l’activité cérébrale. Bien que le projet s’inscrive dans un cadre exploratoire, il illustre l’intérêt de combiner neuro-imagerie, statistiques avancées et apprentissage automatique à grande échelle.
À plus long terme, ce type d’approche pourrait contribuer à améliorer l’identification précoce de certains troubles, tels que le trouble du déficit de l’attention avec ou sans hyperactivité (TDAH), les troubles anxieux ou la dépression, en complément des outils cliniques existants. Ces recherches ouvrent ainsi des perspectives vers des méthodes d’évaluation plus objectives et personnalisées en santé mentale.