Lauréat junior : Les signaux corticaux peuvent-ils nous renseigner sur ce qui se passe dans les profondeurs du cerveau ? | Congrès 2026

Il s'agit donc d'une étude translationnelle explorant si l'activité enregistrée au niveau du cortex cérébral peut être utilisée pour reconstituer ce qui se passe dans les structures cérébrales plus profondes, ce qui pourrait potentiellement remédier à certaines des limitations de la détection dans les systèmes actuels de stimulation cérébrale profonde adaptative.

Zixiao, félicitations pour ce prix et bienvenue dans le podcast.

Dr Zixiao Yin : Merci. Merci de m'avoir invitée.

Dr Michele Matarazzo : J’aimerais commencer par le problème clinique que ce travail vise à résoudre. La stimulation cérébrale profonde adaptative nous amène progressivement d’une simple stimulation vers un système capable à la fois d’écouter le cerveau et d’y répondre, ainsi qu’à son activité. Or, votre étude part du principe que l’enregistrement direct de l’activité cérébrale profonde n’est pas toujours aussi fiable qu’on le souhaiterait.

Quelles sont actuellement les principales limitations de la détection sous-corticale avec les systèmes de stimulation cérébrale profonde (SCP) actuels, et qu'est-ce qui vous a fait penser que l'activité corticale pourrait offrir une perspective alternative sur ce qui se passe également dans les parties profondes du cerveau ?

Dr Zixiao Yin : Oui, c’est une excellente question. Comme vous l’avez dit, la stimulation cérébrale profonde évolue actuellement d’un mode continu vers un mode adaptatif. Le dispositif peut ainsi écouter l’activité cérébrale et ajuster la stimulation en temps réel. Nos travaux portent précisément sur la résolution du problème de l’écoute.

 L'écoute [00:02:00] peut donc s'avérer délicate. La même électrode qui délivre une stimulation à 130 Hz doit également enregistrer des signaux extrêmement faibles, de l'ordre du microvolt ; or, les artefacts de stimulation peuvent les perturber et le matériel peut parfois tomber en panne. Le système actuel ne propose qu'un ou deux canaux bipolaires pour enregistrer les signaux provenant des structures cérébrales profondes.

Voilà donc les limitations des systèmes de détection actuels. C'est pourquoi nous souhaitons les améliorer, les rendre plus robustes et créer un système en boucle fermée. La détection corticale est une des pistes que nous envisageons.

Dr Michele Matarazzo : Et au moins d'après votre expérience, en termes pratiques, à quelle fréquence ces artefacts ou pertes de signal, ou cette limitation, h - à quelle fréquence constituent-ils un problème significatif pour la DBS adaptative actuellement ?

Dr Zixiao Yin : Je pense qu’en clinique, pour la stimulation cérébrale profonde adaptative, le dispositif Medtronic Percept est désormais commercialisé. En Chine, nous avons également d’autres marques comme PINS. Je dirais que la stimulation peut souvent entraîner une distorsion de la qualité du signal, et des artefacts de mouvement peuvent également poser problème.

Et je pense que ce sont tous des problèmes qui vont réduire la qualité du signal. 

Dr Michele Matarazzo : Un aspect intéressant de votre étude réside également dans l’ampleur des données recueillies. Il s’agit de 723 heures d’enregistrements corticaux et sous-corticaux simultanés. Si je ne me trompe pas, l’étude a porté sur 49 patients répartis dans trois centres : Berlin, Pékin et San Francisco.

Et surtout, d'après votre résumé, ces enregistrements couvrent différents états comportementaux, conditions de traitement, cibles cérébrales et même différents troubles du mouvement. Pouvez-vous nous décrire ces données ? Qu'avez-vous enregistré précisément au niveau du cortex et des structures cérébrales profondes, et dans quelles conditions ?

Dr Zixiao Yin : Oui, c’est exact. Je tiens tout d’abord à remercier mon mentor, Wolf-Julian Neumann, qui vit maintenant en Suisse, mais qui était auparavant à Berlin. Il a constitué un ensemble de données colossal comprenant des patients de trois continents : les États-Unis, l’Europe et la Chine. Pour que ce décodage cortical des signaux cérébraux profonds soit efficace, pour que ce décodeur fonctionne, nous avons besoin de données sur une grande variété de comportements et de patients, y compris des patients présentant différents diagnostics.

Dans cet ensemble de données, nous enregistrons des patients atteints de la maladie de Parkinson, de dystonie et même du syndrome de Gilles de La Tourette, pendant qu'ils effectuent des rotations de la main (mouvements) et pendant leur sommeil. Nous disposons donc d'informations sur leurs états de veille et de sommeil. De plus, les patients porteurs d'un dispositif de stimulation cérébrale profonde bénéficient de thérapies, telles que des médicaments et une stimulation.

Nous avons donc également examiné si notre décodeur pouvait fonctionner dans différents états thérapeutiques, comme la stimulation du noyau sous-thalamique (STN) ou l'arrêt de la médication. Voici donc comment notre ensemble de données est présenté.

Dr Michele Matarazzo : C’est impressionnant. À partir de toutes ces informations et de ces données, vous avez développé un réseau neuronal convolutif appelé CTXNet qui utilise les signaux corticaux pour prédire l’activité sous-corticale. Pourriez-vous nous l’expliquer afin que nous puissions tous comprendre, sachant que nous ne sommes pas tous experts en modélisation ?

Quelles informations le modèle reçoit-il, et que lui demandez-vous de prédire ?

Dr Zixiao Yin : Le modèle reçoit des informations du cortex. Nous utilisons l’ECoG (électrocorticographie) pour détecter les signaux corticaux. Il s’agit de formes d’onde cérébrales calculées après un prétraitement, ce qui nous permet d’obtenir diverses informations, comme les bandes spectrales et les caractéristiques des formes d’onde, que nous pouvons ensuite intégrer au décodeur.

Et [00:06:00] comme vous l'avez dit pour la partie sur le réseau neuronal convolutif, nous essayons de reconstruire les caractéristiques spectrales du cerveau profond. Nous en sommes donc à ce stade ; nous ne régénérerons pas le signal complet du cerveau profond, mais nous voulons seulement reconstruire, par exemple, la puissance bêta au fil du temps dans le cerveau profond, dans le noyau sous-thalamique.

Voici les données d'entrée et de sortie.

Dr Michele Matarazzo : Vous indiquez que cette approche par réseau neuronal convolutif a obtenu des performances supérieures d'environ 40 % aux approches spectrales classiques, du moins pour le décodage de l'activité de la bande STN. Qu'est-ce que cela signifie ? Que représente cette amélioration de 40 % ? Est-elle suffisante ? Est-elle précise ?

Dr. Zixiao Yin : Oui, c’est une question intéressante. Donc, 40 % de notre modèle est comparé aux modèles d’apprentissage automatique conventionnels, car nous cherchons d’abord à établir une correspondance entre le cortex et les structures profondes du cerveau. Nous utilisons donc d’abord ces modèles d’apprentissage automatique [00:07:00], en intégrant des caractéristiques de séries temporelles ou de spectres classiques, puis nous essayons de prédire la puissance bêta dans les structures profondes du cerveau.

Le problème de ce modèle est que tout le monde n'est pas expert dans ce domaine ; on ne sait donc pas toujours quelles sont les caractéristiques les plus pertinentes à intégrer au modèle. La force des réseaux de neurones convolutifs réside dans leur capacité à traiter les signaux bruts du cortex, puis à sélectionner automatiquement les caractéristiques les plus pertinentes qu'ils ont extraites de ces signaux, à ajuster leurs poids au sein du réseau et à produire un résultat.

Voilà donc, je pense, comment on obtient cette amélioration de 40 %. Quant à son ampleur, je dois admettre que le coefficient de corrélation de Pearson global entre la puissance bêta reconstruite et la puissance bêta réelle se situe entre 0.3 et 0.5.

Ce n'est pas un taux très élevé, mais nous pouvons également confirmer qu'à partir de ce niveau de précision, nous pouvons détecter de manière fiable, comme les bouffées bêta, les activités cérébrales pathologiques dans les profondeurs du cerveau liées à la maladie de Parkinson, avec une précision d'environ 70 %. Il y a encore des marges de progression, mais il s'agit plutôt d'une preuve de concept.

Dr Michele Matarazzo : Formidable. Autre point important de votre étude : prédire un biomarqueur unique comme l’activité bêta est une chose, mais vous avez également utilisé des modèles probabilistes de diffusion débruités pour reconstruire le signal cérébral profond brut. Pouvez-vous nous expliquer ce que cela signifie et comment cela fonctionne ?

Dr Zixiao Yin : Je pense que c’est l’aspect le plus passionnant de ce travail. Auparavant, nous espérions seulement pouvoir reconstruire le signal bêta, ce qui serait déjà extraordinaire. C’est déjà un décodeur très performant. Et maintenant, nous voulons aller plus loin et voir s’il est possible de reconstruire le signal complet enregistré dans les structures cérébrales profondes.

Le problème du décodage d'une seule bande est qu'il faut un décodeur distinct pour chaque bande. Autrement dit, pour décoder la bande bêta, il faut un décodeur bêta, et pour la bande alpha, un décodeur alpha. En revanche, si l'on peut reconstruire le signal brut, on peut l'utiliser pour calculer les bandes souhaitées.

Le DDPM, le modèle probabiliste de diffusion pour le débruitage que vous avez mentionné, est similaire au modèle sous-jacent aux générations actuelles de générateurs d'images. Contrairement à un modèle de régression qui génère un point après l'autre, il génère une série de nombres, de valeurs.

Voilà donc les signaux bruts du STN. 

Dr Michele Matarazzo : Formidable. Et comme vous le mentionniez, vous êtes allés encore plus loin en ce sens que vous n’avez pas seulement comparé cela à l’activité cérébrale profonde réelle, mais que vous avez également étudié si cela pouvait prédire la gravité des symptômes moteurs, n’est-ce pas ?

Dr Zixiao Yin : Nous prenons la puissance STN prédite, le signal brut STN, [00:10:00] puis nous calculons la puissance bêta à partir de ces signaux imputés. Ensuite, nous utilisons ces caractéristiques pour prédire le score de gravité motrice UPDRS du patient, et nous constatons que la corrélation entre la valeur UPDRS réelle et la valeur UPDRS prédite est d'environ 0.7.

C'est assez élevé. Je dois préciser que, comme je l'ai dit, la corrélation de puissance bêta entre le signal réel et le signal imputé est d'environ 0.3 à 0.5, mais cela concerne un même patient. La puissance bêta du patient oscille donc, mais elle reste proche de 1, à un certain niveau propre à chaque sujet.

Mais si nous procédons ainsi entre les sujets, le niveau de base de chaque sujet est plus ou moins différent. Et les modèles DDPM et de réseaux neuronaux peuvent saisir plus précisément ces différences inter-sujets que les différences intra-sujets. C'est là tout l'intérêt.

Dr Michele Matarazzo : D'accord. [00:11:00] Revenons au début de cet entretien, lorsque nous avons évoqué le problème clinique que nous cherchons à résoudre. Maintenant que nous en savons un peu plus sur vos données, essayons d'imaginer une application clinique réaliste. Dans le résumé, vous suggérez que cela pourrait à terme contribuer à une neuromodulation non invasive en boucle fermée utilisant l'EEG de surface.

Il y a en réalité deux étapes translationnelles distinctes. Premièrement, l'utilisation de l'enregistrement cortical implanté pour augmenter, voire compenser, la perception sous-corticale ; deuxièmement, le remplacement potentiel de la perception corticale implantée par une méthode moins invasive, par exemple un dispositif extracrânien.

Selon vous, laquelle de ces deux applications est la plus proche d'une mise en œuvre clinique réaliste, ou laquelle de ces deux approches différentes serait la plus utile en pratique clinique ?

Dr. Zixiao Yin : Oui, c'est une excellente question. Honnêtement, je pense que les deux sont très précieuses. Quant à savoir laquelle est la plus proche d'une application clinique, je dirais la première, celle qui permet de récupérer les données de la détection cérébrale profonde. Par exemple, si nous disposons d'un algorithme qui détecte d'abord les artefacts dans les structures cérébrales profondes, et lorsqu'il détecte un artefact important susceptible de perturber la détection cérébrale profonde (en tant que signal de rétroaction pour un système en boucle fermée), il peut alors basculer de la détection cérébrale profonde à la détection corticale. Or, la détection corticale est déjà pertinente en soi, et l'algorithme peut également imputer les signaux cérébraux profonds et les ajouter comme signal de rétroaction.

Au final, cela renforcera la robustesse du système en boucle fermée. Votre deuxième point, à savoir l'utilisation possible de l'EEG de surface pour guider les thérapies de stimulation non invasives, est également pertinent. Nous disposons par exemple d'interféreurs temporels ou d'ultrasons focalisés permettant de stimuler les régions cérébrales profondes.

Si nous voulons réellement rendre ces thérapies totalement indépendantes, nous avons également besoin d'un signal de rétroaction. Dans de nombreux cas, par exemple pour la maladie de Parkinson, l'oscillation pathologique, l'oscillation robuste, comme nous l'avons établi, correspond à la puissance bêta dans le noyau sous-thalamique (NST). Ainsi, si nous pouvons utiliser un enregistrement EEG (pas nécessairement de surface, mais aussi ECoG) pour détecter les signaux corticaux et les utiliser pour obtenir des informations sur l'état cérébral profond, nous pourrons ensuite guider l'administration d'une stimulation non invasive.

Nous n'avons alors plus besoin d'implanter une électrode dans le cerveau profond uniquement à des fins de détection.

Dr Michele Matarazzo : Parfait. Zixiao, pour terminer, une dernière question : quels sont vos projets ? Je suppose que vous travaillez toujours dans ce domaine. Vous envisagez d’approfondir vos recherches sur l’application clinique de cette technologie. Quel est votre avenir, en tant que jeune chercheuse, et quel est l’avenir de cette technologie ?

Dr. Zixiao Yin : Oui, merci pour la question. Je pense que cette technique présente encore plusieurs limitations. Comme je l'ai dit, à l'heure actuelle, elle s'apparente davantage à une preuve de concept. Or, si nous voulons réellement l'intégrer à un système temps réel avec une latence extrêmement faible, et sachant que les dispositifs implantables disposent d'une mémoire extrêmement réduite, nous ne pouvons pas y intégrer un modèle volumineux. Il est donc nécessaire de minimiser le modèle et de réduire la latence de calcul.

Je pense que la prochaine étape sera d'appliquer cette technique en milieu clinique. Par ailleurs, mes travaux actuels portent également sur… Il s'agit donc de l'aspect détection. Comme je l'ai dit, cette technique peut être utilisée pour améliorer la détection d'état. Par exemple, nous avons constaté qu'avec cette imputation à partir du cortex, l'état de mouvement ou de sommeil chez certains patients atteints de SLA permet d'améliorer la précision du décodage, passant d'environ 60 % à environ 80 %, notamment pour la classification des stades du sommeil.

Je pense donc que c'est un aspect [00:15:00] du système en boucle fermée, le volet écoute. Nous travaillons actuellement sur le volet stimulation, c'est-à-dire sur la meilleure façon de stimuler le cerveau lorsqu'on détecte un certain état. Par exemple, comment appliquer au mieux la stimulation pendant le sommeil paradoxal (non-REM) du patient ?

Mais c'est une autre histoire. 

Dr Michele Matarazzo : Nous serons ravis d'entendre la suite de l'histoire plus tard. Zixiao, félicitations encore pour l'obtention du Prix Junior, et merci de nous avoir présenté ce travail passionnant.

Dr Zixiao Yin : Merci. Merci.

Dr Michele Matarazzo : Pour celles et ceux qui participent au congrès MDS à Séoul, je vous invite à consulter l’affiche, qui sera également présentée en séance plénière. Son titre est : « Décodage de l’activité cérébrale à partir de signaux corticaux grâce à l’apprentissage profond dans le cadre des troubles du mouvement ».

Merci à tous d'avoir participé.

 [00: 16: 00]