L’analyse statistique des données d’IRM se fonde le plus souvent sur le modèle linéaire généralisé (GLM), qui repose sur l’usage d’une référence Euclidienne commune à tous les sujets d’étude pour la détection d’anomalies. Une limite de cette approche est le risque de générer à la fois des faux-positifs en cas de variant anatomique ou d’artéfacts à l’acquisition et des faux négatifs par manque de sensibilité. TractLearn a récemment été proposé comme une alternative basée sur du machine learning non supervisé où l’on applique un algorithme de réduction de dimensions appelé UMAP, puis dans un second temps, on génère des sujets synthétiques pour redéfinir les normes de référence. Les distances Riemanniennes calculées dans « l’espace manifold » sont mises à profit pour la détection de variations statistiques entre des groupes de voxels et pourrait permettre de dépasser les limites du GLM. Cependant, l’absence de Gold standard rendait impossible une comparaison fiable entre ce nouvel outil diagnostic et le GLM lors de notre précédente étude sur l’encéphale. L’application de TractLearn aux voies visuelles antérieures pourrait servir de preuve de concept, les lésions décelées au sein du nerf optique ayant une traduction en termes de signe clinique relativement univoque. Dans cette étude nous cherchons à comparer la capacité de détection d’anomalie des nerfs optiques entre le GLM et TractLearn chez des sujets adressés pour neuropathie optique démyélinisante (NORB) ou ischémique (NOIA). Un objectif secondaire est d’évaluer la nécessité d’une correction pour les comparaisons multiples type Bonferroni et False Discovery Rate (FDR) pour les analyses conduites avec TractLearn. Nous avons scanné 24 sujets sains, 9 sujets adressés pour NORB et 12 sujets pour NOIA avec une machine IRM 3T Philips Ingenia. Les données de diffusion (b=1000 s/mm2, 60 directions) ont été traitées avec le logiciel MRtrix selon la méthode Single-Shell 3 tissues en déconvolution sphérique contrainte. Après une étape de recalage sur un template commun, nous avons calculé 4 métriques quantitatives (FA, AFD, TW-FA et TW-FOD). Nous avons ensuite appliqué aux données une analyse via TractLearn et via le GLM. Pour finir, nous avons comparé les résultats obtenus avec une correction par Bonferroni, FDR et l’absence de correction pour comparaisons multiples. Résultats : La sensibilité de TractLearn pour détecter des anomalies quantitatives oscille de 44% (FA et TW-FA) à 100% (AFD) pour les patients atteints de NORB et de 66% (FA et TWI-FOD) à 75% (AFD et TWI-FA) pour les patients atteints de neuropathie ischémique. Elle est supérieure à celle du GLM pour tous les marqueurs et les deux processus pathologiques. TractLearn permet de détecter des anomalies dans les nerfs controlatéraux, non atteints cliniquement, avec des incidences comprises entre de 22 et 77%. TractLearn a permis d’identifier plus de voxels anormaux dans les nerfs lésés que le GLM (p<0,01). La correction pour comparaisons multiples fait disparaître toutes les lésions quantitatives sauf pour 3 patients pour le FDR et 2 cas pour le Bonferroni. Conclusion: TractLearn est une méthode plus sensible que le GLM pour identifier des voxels anormaux en cas de neuropathie optique, ne nécessitant en outre pas de correction statistique pour les comparaisons multiples, puisque les voxels sont analysés de façon globale dans une structure anatomique plutôt que de façon indépendante.