178. NEUROSCIENCES

Une nouvelle approche statistique pour améliorer la cartographie cérébrale

Résumé : Les chercheurs proposent une nouvelle méthode statistique plus robuste pour cartographier le cerveau.

Source: Institut du Cerveau de Paris

La cartographie cérébrale consiste à trouver les régions du cerveau associées à différents traits, tels que les maladies, les fonctions cognitives ou les comportements, et constitue un domaine de recherche majeur en neurosciences. Cette approche est basée sur des modèles statistiques et est sujette à de nombreux biais..

Pour tenter de les contrer, des chercheurs de l'équipe ARAMIS, équipe commune entre l'institut Paris Brain et Inria, et leurs collaborateurs de l'université du Queensland (Australie) et de l'université Westlake (Chine), proposent un nouveau modèle statistique de cartographie cérébrale.

Les résultats sont publiés dans le Journal of Medical Imaging .

Cartographier le cerveau

Cartographier le cerveau est un défi qui mobilise de nombreux chercheurs en neurosciences à travers le monde. Le but de cette approche est d'identifier les régions cérébrales associées à différents traits, tels que des maladies, des scores cognitifs ou des comportements.

Ce type d'étude est également connu sous le nom d'« étude d'association à l'échelle du cerveau » et s'appuie sur un criblage exhaustif des régions du cerveau pour identifier celles associées au trait d'intérêt.

« La difficulté, c'est qu'on cherche une aiguille dans une botte de foin, sauf qu'on ne sait pas combien il y a d'aiguilles, ou dans notre cas, combien de régions cérébrales il y a à trouver », explique Baptiste Couvy-Duchesne (Inria ), premier auteur de l'étude.

Relever les défis de la redondance des signaux

Un premier défi réside dans le nombre de mesures cérébrales disponibles par individu, qui peut rapidement atteindre le million, voire plus.

De plus, les régions du cerveau sont corrélées les unes aux autres. Certaines régions sont fortement connectées et associées à de nombreuses autres, comme des nœuds dans un réseau.

D'autres, cependant, sont plus isolés, soit parce qu'ils sont indépendants des autres régions du cerveau, soit parce qu'ils contribuent à des traits cognitifs ou à des fonctions cérébrales très spécifiques.

"Si une région du cerveau associée à notre trait d'intérêt fait partie d'un réseau hautement connecté, l'analyse aura tendance à détecter l'ensemble du réseau, car le signal se propage dans des régions corrélées entre elles", poursuit le chercheur.

« Ce signal, qui peut sembler très fort à première vue, est en fait redondant. Comment alors trouver la ou les régions qui contribuent réellement au trait d'intérêt au sein du réseau ? »

Pour résoudre ce problème, les chercheurs proposent de nouvelles méthodes statistiques adaptées à l'image de grande dimension ainsi qu'à la modélisation de la structure de corrélation complexe au sein du cerveau.

Des simulations pour développer de nouvelles méthodes statistiques

Afin de tester les méthodes statistiques développées, les chercheurs ont besoin de données très contrôlées.

« On ne peut pas comparer des méthodes directement sur des traits ou des maladies réels, puisqu'on ne sait pas ce qu'on est censé trouver, explique Baptiste Couvy-Duchesne, une méthode pourrait trouver 10 régions associées à un trait, une autre 20, même si on ne sait pas lequel donne la bonne réponse.

La clé de ce problème de résolution est d'utiliser des simulations. Les chercheurs utilisent de vraies images cérébrales, mais étudient de fausses maladies ou de faux scores, qu'ils ont construits pour être associés à des dizaines ou des centaines de régions cérébrales prédéfinies.

De cette façon, ils sont en mesure de vérifier si les méthodes statistiques détectent les régions attendues, mais aussi si elles en détectent d'autres ("faux positifs").

Une méthode plus robuste et des questions ouvertes

Une fois leur méthode calibrée grâce à ces simulations (qui ont révélé que l'approche proposée était plus précise que celles existantes), les chercheurs ont utilisé des traits réels comme validation.

Un premier défi réside dans le nombre de mesures cérébrales disponibles par individu, qui peut rapidement atteindre le million, voire plus. L'image est dans le domaine public

« Notre nouvelle méthode trouve moins de régions en moyenne car elle parvient à supprimer certaines des associations redondantes. La prochaine étape est de l'appliquer à l'étude de la maladie d'Alzheimer », conclut le chercheur.

Un résultat central de l'étude est de démontrer à quel point les associations redondantes sont omniprésentes, en utilisant les méthodes statistiques actuelles. Ainsi, de nombreuses associations identifiées à ce jour peuvent ne pas être robustes ou directement pertinentes pour le trait étudié.

De plus, plusieurs facteurs difficilement contrôlables peuvent affecter la qualité des IRM, comme les mouvements de la tête ou le type d'appareils utilisés, ce qui peut aggraver le problème et conduire à de fausses associations.

Au-delà du développement de méthodes d'analyse plus fines, la question de la qualité et de l'homogénéité des données reste cruciale.

À propos de cette actualité sur la recherche en cartographie cérébrale

Auteur : Nicolas Brard
Source : Institut du Cerveau de Paris
Contact : Nicolas Brard – Institut du Cerveau de Paris
Image : L'image est dans le domaine public

Recherche originale : libre accès.
« A parcimonious model for mass-univariate vertex-wise analysis » par Baptiste Couvy-Duchesne et al. Journal d'imagerie médicale

Résumé

Un modèle parcimonieux pour l'analyse masse-univariée par vertex

Objectif : La covariance entre les mesures de matière grise peut refléter des réseaux cérébraux structurels ou fonctionnels, bien qu'il ait également été démontré qu'elle est influencée par des facteurs de confusion (par exemple, l'âge, la taille de la tête et le scanner), ce qui pourrait entraîner une précision de cartographie inférieure (taille accrue de clusters associés) et créer des associations de faux positifs distaux dans les analyses vertexwise masse univariées.

Approche : Nous avons évalué cette préoccupation en effectuant des analyses de masse univariées de pointe (modèle linéaire général, GLM) sur des traits simulés à partir de données réelles sur la matière grise par sommet (y compris l'épaisseur et la surface corticales et sous-corticales). Nous avons comparé les résultats avec ceux des modèles linéaires mixtes (LMM), dont il a été démontré qu'ils surmontaient des problèmes similaires dans les études d'association omiques.

Résultats : Nous avons montré que lorsqu'ils étaient effectués sur un grand échantillon ( N   = 8662, UK Biobank), les GLM produisaient un taux de faux positifs fortement gonflé (taux de fausses découvertes en cluster > 0,6). Nous avons montré que les LMM entraînaient des résultats plus parcimonieux : des clusters plus petits et un taux de faux positifs réduit, mais au prix d'un calcul accru. Ensuite, nous avons effectué des analyses d'association univariées de masse sur cinq traits UKB réels (âge, sexe, IMC, intelligence fluide et statut tabagique) et le LMM a produit des associations moins nombreuses et plus localisées. Nous avons identifié 19 groupes significatifs présentant de petites associations avec l'âge, le sexe et l'IMC, ce qui suggère une architecture complexe d'au moins des dizaines de zones associées à ces phénotypes.

Conclusions : La littérature publiée pourrait contenir une grande proportion d'associations redondantes (éventuellement confondues) qui sont largement évitées à l'aide des LMM. La parcimonie des LMM résulte du contrôle de l'effet conjoint de tous les sommets, ce qui empêche les associations redondantes locales et distales d'atteindre une signification.

Juin 2022