Classification multiclasse des troubles psychiatriques à partir de l’EEG à l’aide de l’apprentissage automatique interprétable fondé sur des caractéristiques spectrales et de connectivité Aangi Shah, Ajay Goyal Le diagnostic psychiatrique repose largement sur une évaluation clinique subjective, ce qui limite la différenciation objective entre des troubles concomitants. Cette étude présente un cadre interprétable de classification multiclasse fondé sur l’électroencéphalographie (EEG), couvrant les troubles addictifs, les troubles anxieux, les troubles de l’humeur, les troubles obsessionnels compulsifs (TOC), la schizophrénie, les troubles liés aux traumatismes et au stress, ainsi que les témoins sains. Un ensemble de données comprenant 945 sujets et 1 140 caractéristiques spectrales et de cohérence dérivées de l’EEG a été analysé ; une sélection fondée sur la variance a permis de réduire l’espace des caractéristiques à 300 descripteurs. La classification a été réalisée à l’aide d’une machine à apprentissage extrême (Extreme Learning Machine, ELM), du classificateur bayésien naïf (Naïve Bayes, NB) et d’une machine à vecteurs de support (Support Vector Machine, SVM), selon une architecture « un contre tous ». Le classificateur NB a montré une capacité discriminante relativement limitée (scores F1 : de 35,33 % à 72,76 %). Le modèle ELM a obtenu des performances stables, avec des scores F1 allant de 66,03 % à 89,31 %, ainsi que des taux d’exactitude systématiquement plus élevés sur les données de test dans toutes les classes, notamment 95,12 % pour les TOC et 90,34 % pour les témoins sains. Le modèle SVM a présenté le meilleur équilibre entre précision et rappel dans la plupart des classes, avec des scores F1 de 94,00 % pour les TOC, de 84,08 % pour les troubles anxieux et de 79,84 % pour la schizophrénie. Les troubles de l’humeur sont restés la classe la plus difficile à identifier (score F1 maximal : 66,03 %). L’analyse par bandes de fréquences a identifié les caractéristiques de la bande thêta comme les plus discriminantes dans cet ensemble de données, avec un taux d’exactitude de 91,57 % lorsqu’elles étaient utilisées seules. Ces résultats suggèrent que les caractéristiques spectrales et de cohérence dérivées de l’EEG, associées à des classificateurs d’apprentissage automatique peu complexes, peuvent contribuer à la classification multiclasse des troubles psychiatriques, avec des performances variables selon les classes. Toutefois, les performances plus faibles observées pour les troubles de l’humeur et le recours à un seul ensemble de données public montrent que des validations externes supplémentaires, des comparaisons statistiques et l’intégration de caractéristiques multimodales sont nécessaires avant toute application clinique.