MIT a publié cette semaine un modèle d'IA open-source qui identifie le risque d'Alzheimer des années avant l'apparition des symptômes cognitifs, avec une précision revendiquée 4× supérieure aux méthodes précliniques antérieures. Les poids, le code d'entraînement et les pipelines d'évaluation sont publics via la plateforme de l'Alzheimer's Disease Data Initiative. Pour les personnes avec antécédents familiaux de démence, pour les cliniciens évaluant des essais d'intervention précoce, pour les chercheurs qui veulent bâtir par-dessus — c'est le premier modèle ouvert entraîné sur le jeu de données multinational du réseau WW-FINGERS.

Le modèle s'appelle FINGERS-7B, du Picower Institute for Learning and Memory du MIT (laboratoire dirigé par Li-Huei Tsai). Chercheurs principaux : Arvid Gollwitzer au Broad Institute et Adrian Noriega, MIT-Novo Nordisk AI Fellow. Le changement méthodologique est l'entraînement multimodal conjoint — données de mode de vie, antécédents cliniques, données génomiques et biomarqueurs protéomiques alimentent un seul modèle plutôt que des prédicteurs séparés assemblés. Les données d'entraînement viennent du réseau WW-FINGERS, une collaboration de 40 pays comptant ~30 000 participants, bâtie sur l'essai FINGER original de la professeure Miia Kivipelto, combinant dossiers cliniques/mode de vie avec données génomiques et protéomiques de laboratoires partenaires. Le modèle produit trois sorties par individu : risque d'Alzheimer estimé, trajectoire de déclin cognitif projetée, et réponse prédite aux interventions — quelle intervention de mode de vie ou clinique est susceptible d'aider quelle personne. Gains affichés : diagnostic préclinique 4× plus précis que les méthodes antérieures, amélioration de 130 % de la stratification des répondeurs.

La recherche sur l'Alzheimer a historiquement été lente à obtenir une infrastructure ML open-source qui combine données à l'échelle populationnelle et transparence complète des poids. La plupart des travaux antérieurs de prédiction de risque utilisaient des cohortes propriétaires ou des poids fermés — des articles qu'on pouvait lire mais des modèles qu'on ne pouvait pas faire tourner. FINGERS-7B est déployé dans AD Workbench, la plateforme cloud sécurisée de l'Alzheimer's Disease Data Initiative, ce qui veut dire que les chercheurs peuvent appliquer le modèle à leurs propres données de santé protégées sans exfiltrer de PHI vers une API externe. Le preprint est sur OpenReview (id : fVqvRQ6XRV). Pour le pattern plus large des publications d'IA en santé, c'est plus proche de la forme open-data BigBio/MedLM que de la boîte noire approuvée par la FDA — et cette distinction compte pour qui peut bâtir du travail dérivé sans barrière de licence.

C'est un preprint, pas encore évalué par les pairs — les chiffres de 4× et 130 % viennent avec les mises en garde habituelles : de petites tailles d'effet peuvent déplacer les ratios d'en-tête, les méthodes de référence comptent, et la validation contre des cohortes futures est le vrai test. Le jeu de données WW-FINGERS penche aussi européen dans ses origines ; la généralisation à d'autres populations nécessite un travail séparé. Mais pour quiconque travaille en ML biomédical, ou pour quiconque a un intérêt familial dans la prévention de la démence, c'est l'un des mouvements récents les plus concrets vers un outillage de détection précoce utilisable hors d'un seul labo.