72. NEUROSCIENCES & PSYCHOLOGIE
L'intelligence artificielle accélère l'étude de l'atlas du cerveau
Résumé La combinaison de l'apprentissage automatique et des scintigraphies cérébrales par IRM aide les chercheurs à fournir des cartes cérébrales plus précises.Source: OIST
Des scientifiques du projet japonais de science du cerveau ont utilisé l'intelligence artificielle pour améliorer la précision et la fiabilité d'une puissante technique de cartographie cérébrale, selon une nouvelle étude.
Leur développement, publié le 18 décembre dans Scientific Reports, donne aux chercheurs une plus grande confiance dans l'utilisation de la technique pour démêler le câblage du cerveau humain et pour mieux comprendre les changements de ce câblage qui accompagnent les troubles neurologiques ou mentaux tels que la maladie de Parkinson ou d'Alzheimer.
« Il est essentiel de déterminer comment toutes les différentes régions du cerveau sont connectées - ce que nous appelons le connectome du cerveau - pour comprendre pleinement le cerveau et tous les processus complexes qu'il exécute », a déclaré le professeur Kenji Doya, qui dirige l'unité de calcul neuronal à l'Okinawa Institute of Science and Technology Graduate University (OIST).
Pour identifier les connectomes, les chercheurs suivent les fibres de cellules nerveuses qui s'étendent dans tout le cerveau. Dans les expériences sur les animaux, les scientifiques peuvent injecter un traceur fluorescent en plusieurs points du cerveau et de l'image vers lesquels s'étendent les fibres nerveuses provenant de ces points. Mais ce processus nécessite l'analyse de centaines de tranches de cerveau de nombreux animaux. Et parce qu'il est si invasif, il ne peut pas être utilisé chez l'homme, a expliqué le professeur Doya.
Cependant, les progrès de l'imagerie par résonance magnétique (IRM) ont permis d'estimer les connectomes de manière non invasive. Cette technique, appelée suivi des fibres par IRM de diffusion, utilise de puissants champs magnétiques pour suivre les signaux des molécules d'eau lorsqu'elles se déplacent - ou se diffusent - le long des fibres nerveuses. Un algorithme informatique utilise ensuite ces signaux d'eau pour estimer le trajet des fibres nerveuses dans tout le cerveau.
Mais à l'heure actuelle, les algorithmes ne produisent pas de résultats convaincants. Tout comme la façon dont les photographies peuvent être différentes en fonction des réglages de l'appareil photo choisis par un photographe, les réglages - ou paramètres - choisis par les scientifiques pour ces algorithmes peuvent générer des connectomes très différents.
« La fiabilité de cette méthode suscite de réelles inquiétudes », a déclaré le Dr Carlos Gutierrez, premier auteur et chercheur postdoctoral à l'unité de calcul neuronal de l'OIST. « Les connectomes peuvent être dominés par des faux positifs, ce qui signifie qu'ils montrent des connexions neuronales qui n'existent pas vraiment. »
De plus, les algorithmes ont du mal à détecter les fibres nerveuses qui s'étendent entre des régions éloignées du cerveau. Pourtant, ces connexions à longue distance sont parmi les plus importantes pour comprendre le fonctionnement du cerveau, a déclaré le Dr Gutierrez.
En 2013, des scientifiques ont lancé un projet dirigé par le gouvernement japonais appelé Brain / MINDS (Brain Mapping by Integrated Neurotechnologies for Disease Studies) pour cartographier le cerveau des ouistitis - de petits primates non humains dont le cerveau a une structure similaire à celle du cerveau humain.
Le projet brain / MINDS vise à créer un connectome complet du cerveau de marmouset en utilisant à la fois la technique d'imagerie IRM non invasive et la technique de traceur fluorescent invasif.
« L'ensemble de données de ce projet a été une occasion vraiment unique pour nous de comparer les résultats du même cerveau générés par les deux techniques et de déterminer quels paramètres doivent être définis pour générer le connectome IRM le plus précis », a déclaré le Dr Gutierrez .
Dans l'étude actuelle, les chercheurs ont entrepris d'affiner les paramètres de deux algorithmes différents largement utilisés afin qu'ils détectent de manière fiable les fibres à longue portée. Ils voulaient également s'assurer que les algorithmes identifiaient autant de fibres que possible tout en repérant au minimum celles qui n'étaient pas réellement présentes.
Au lieu d'essayer manuellement toutes les différentes combinaisons de paramètres, les chercheurs se sont tournés vers l'intelligence artificielle.
Pour déterminer les meilleurs paramètres, les chercheurs ont utilisé un algorithme évolutif. L'algorithme de suivi de fibre a estimé le connectome à partir des données d'IRM de diffusion en utilisant des paramètres qui ont changé - ou muté - à chaque génération successive. Ces paramètres se sont affrontés et les meilleurs paramètres - ceux qui ont généré des connectomes qui correspondent le plus au réseau neuronal détecté par le traceur fluorescent - sont passés à la génération suivante.
Les chercheurs ont testé les algorithmes à l'aide de traceurs fluorescents et de données IRM provenant de dix cerveaux de marmouset différents.
Mais choisir les meilleurs paramètres n'était pas simple, même pour les machines, ont constaté les chercheurs. «Certains paramètres peuvent réduire le taux de faux positifs, mais rendent plus difficile la détection des connexions à longue portée. Il y a un conflit entre les différents problèmes que nous voulons résoudre. Ainsi, décider des paramètres à sélectionner à chaque fois implique toujours un compromis », a déclaré le Dr Gutierrez.
Au cours des multiples générations de ce processus de «survie du plus apte», les algorithmes exécutés pour chaque cerveau ont échangé leurs meilleurs paramètres entre eux, permettant aux algorithmes de se fixer sur un ensemble de paramètres plus similaire. À la fin du processus, les chercheurs ont pris les meilleurs paramètres et les ont moyennés pour créer un ensemble partagé.
« La combinaison des paramètres a été une étape importante. Les cerveaux individuels varient, il y aura donc toujours une combinaison unique de paramètres qui fonctionne le mieux pour un cerveau spécifique. Mais notre objectif était de proposer le meilleur ensemble générique de paramètres qui fonctionnerait bien pour tous les cerveaux ouistiti », a expliqué le Dr Gutierrez.
(À gauche) Les scanners IRM, comme celui illustré au RIKEN Center for Brain Science, peuvent être utilisés pour cartographier le cerveau de manière non invasive en analysant la diffusion des molécules d'eau. (À droite) L'IRM de diffusion mesure la direction dans laquelle les molécules d'eau diffusent en chaque point du cerveau, comme illustré par les ellipsoïdes ici. Les algorithmes de suivi des fibres utilisent ensuite ces informations pour estimer le trajet des fibres nerveuses. Crédit: (à gauche) Junichi Hata et Hideyuki Okano, du RIKEN Center for Brain Science. (À droite) La figure a été créée à l'aide de la visionneuse MRtrix 3.0.1.
L'équipe a constaté que l'algorithme avec l'ensemble générique de paramètres optimisés générait également un connectome plus précis dans les nouveaux cerveaux de marmouset qui ne faisaient pas partie de l'ensemble d'entraînement d'origine, par rapport aux paramètres par défaut utilisés précédemment.
La différence frappante entre les images construites par des algorithmes utilisant les paramètres par défaut et optimisés envoie un avertissement sévère concernant la recherche sur les connectomes basée sur l'IRM, ont déclaré les chercheurs.
« Cela remet en question toute recherche utilisant des algorithmes qui n'ont pas été optimisés ou validés », a averti le Dr Gutierrez.
À l'avenir, les scientifiques espèrent accélérer le processus d'utilisation de l'intelligence artificielle pour identifier les meilleurs paramètres et utiliser l'algorithme amélioré pour déterminer plus précisément le connectome des cerveaux souffrant de troubles neurologiques ou mentaux.
« En fin de compte, le suivi des fibres par IRM de diffusion pourrait être utilisé pour cartographier l'ensemble du cerveau humain et identifier les différences entre les cerveaux sains et malades», a déclaré le Dr Gutierrez. « Cela pourrait nous rapprocher de l’apprentissage de la façon de traiter ces troubles. »
Cette collaboration a impliqué l’Okinawa Institute of Science and Technology Graduate University (OIST), le RIKEN Center for Brain Science et l’Université de Kyoto.
Financement: Il a été financé par AMED (Agence japonaise pour la recherche et le développement médicaux).
À propos de cette actualité de recherche sur l'apprentissage automatique
Source: OIST
Contact: Tomomi Okubo – OIST
Image: (à gauche) Junichi Hata et Hideyuki Okano, du RIKEN Center for Brain Science. (À droite)
Janvier 2021
