Recherche sur la connectivité cérébrale fonctionnelle en utilisant un classificateur en graphes multiniveaux bayésien

Contexte de la Recherche et Énoncé du Problème

Ces dernières années, la recherche sur le contrôle cognitif chez les personnes âgées a pris de l’importance, notamment dans le contexte de l’accélération du vieillissement démographique. Comprendre la fonction cognitive des personnes âgées est crucial, non seulement en raison des coûts médicaux impliqués, mais aussi en raison des impacts économiques et sociaux majeurs d’une société vieillissante. Étudier les changements dans la connectivité fonctionnelle du cerveau lors des tâches de contrôle cognitif chez les personnes âgées peut fournir des idées précieuses au domaine des neurosciences cognitives. Cette recherche vise à exploiter les données de l’imagerie par résonance magnétique fonctionnelle (IRMf) pour explorer l’interaction entre le déclin de la fonction cognitive et les relations entre différentes régions du cerveau.

Sources de l’Article et Informations sur les Auteurs

Cet article a été rédigé par Sharmistha Guha, Jose Rodriguez-Acosta et Ivo D. Dinov de l’Université A&M du Texas et de l’Université du Michigan. L’article a été accepté pour publication le 22 mai 2024 par la revue “Neuroinformatics”. Le lien détaillé est le suivant : https://doi.org/10.1007/s12021-024-09670-w.

Processus de Recherche

Acquisition et Traitement des Données

Cette recherche utilise des données de l’imagerie par résonance magnétique fonctionnelle (IRMf) pour générer des cartes de connectivité fonctionnelle. Ces données proviennent de 144 personnes âgées en bonne santé, âgées de 20 à 86 ans, ayant participé à des tâches d’inhibition et de lancement. Ces tâches sont utilisées pour mesurer l’activité fonctionnelle de différentes régions du cerveau pendant le contrôle cognitif. Le processus détaillé est le suivant :

1. Acquisition des données : Enregistrement de l’activité cérébrale fonctionnelle des participants pendant les tâches d’inhibition et de lancement à l’aide d’un scanner Siemens 3T MRI.
2. Exécution des tâches : Pendant l’expérience, les participants sont couchés sur une table de numérisation, observant les stimuli expérimentaux à l’écran via un miroir et répondant aux stimuli avec un boîtier de réponse tenu par la main droite, en utilisant leur index et leur majeur.
3. Pré-traitement des données : Le pré-traitement des données comprend l’alignement rigide, la suppression des volumes anormaux, la correction des bruits cardiaques et respiratoires, l’ajustement du temps, le lissage spatial, l’élimination des tendances temporelles, la régression des paramètres de mouvement, la régression des signaux de régions d’intérêt et l’enregistrement des données dans un espace standard (espace MNI).

Construction du Modèle et Conception de l’Algorithme

Étant donné la nécessité de classer les résultats binaires d’âge (normal ou vieillissement) tout en utilisant des graphes multiniveaux comme variables prédictives, cette recherche propose un classificateur en graphes multiniveaux bayésien (Bayesian Multiplex Graph Classifier, BMGC) :

1. Construction du cadre de régression : Un modèle linéaire généralisé haute dimension est établi, considérant les coefficients des arêtes du graphes de connectivité comme modélisés par des interactions linéaires bilatérales des effets latents de deux points, permettant ainsi de gérer raisonnablement la structure topologique des graphes multiniveaux.
2. Sélection des variables : Un cadre de sélection des variables est adopté sur les effets latents spécifiques des nœuds à tous les niveaux, afin de déterminer les nœuds significativement associés aux résultats.
3. Méthode de calcul : Une méthode bayésienne calculatoirement efficace est adoptée pour évaluer quantitativement l’incertitude de l’identification des nœuds, l’estimation des coefficients et la prévision des résultats binaires.

Validation de l’Algorithme et Évaluation des Performances

La recherche utilise des données simulées et des données réelles d’IRMf pour valider le modèle :

1. Génération de données simulées : Génération de données simulées à différents niveaux de parcimonie des nœuds et de nombre de niveaux, afin de tester la performance du modèle. La validation est effectuée en construisant une matrice de coefficients basse-rangée et en utilisant des étiquettes réelles des données simulées.
2. Comparaison des performances : Comparaison avec plusieurs algorithmes, y compris Lasso, Bayesian Lasso, Bayesian Horseshoe, Tensor Regression et les réseaux neuronaux, pour évaluer leurs performances en matière d’estimation des coefficients et de prévision des inférences.

Principaux Résultats de l’Étude

Résultats des Données Simulées

Les expériences de simulation ont montré que le BMGC excelle dans l’identification des nœuds, l’estimation des coefficients et la précision des prévisions :

1. Précision de l’identification des nœuds : En condition de parcimonie élevée des nœuds, le modèle a pu identifier avec précision les nœuds importants, avec une faible incertitude.
2. Estimation des coefficients : Dans tous les scénarios de simulation, l’erreur quadratique moyenne (MSE) du BMGC était inférieure à celle des concurrents, notamment en cas de densité élevée des nœuds.
3. Performance de prédiction : L’aire sous la courbe (AUC) de la courbe caractéristique de fonctionnement du récepteur (ROC) et les scores F1 sur les échantillons de test ont montré que la précision du BMGC dépasse considérablement celle des autres algorithmes.

Résultats des Données Réelles

Dans l’analyse des données réelles d’IRMf, le BMGC a réussi à identifier les régions cérébrales associées au vieillissement précoce :

1. Symétrie et asymétrie de la connectivité cérébrale : Des connexions symétriques ont été trouvées dans les zones sensorielles motrices, tandis que des connexions asymétriques notables ont été observées dans le réseau en mode par défaut.
2. Performance de classification : À l’instar des données simulées, le BMGC a montré des performances de classification exceptionnelles, avec des scores AUC et F1 considérablement supérieurs à ceux des autres méthodes.

Conclusions et Signification de la Recherche

Valeur Scientifique et Applicative

Le classificateur en graphes multiniveaux bayésien (BMGC) proposé dans cet article a démontré une performance exceptionnelle dans le traitement des données structurées en graphes multiniveaux. Ce modèle est capable d’identifier avec précision les nœuds associés aux résultats, étant particulièrement adapté aux échantillons de taille moyenne avec des interactions complexes entre les nœuds. En outre, les performances exceptionnelles du BMGC sur différents ensembles de données prouvent son potentiel d’application large, incluant mais non limité à l’analyse des données en neurosciences et en génomique.

Points Forts de la Recherche

1. Méthode innovante : Un cadre de classificateur en graphes multiniveaux bayésien est proposé, combinant la simplicité du modèle et la précision de la classification.
2. Utilisation de la structure en graphes multiniveaux : En capturant efficacement les associations complexes entre les couches via des interactions bilatérales des effets latents, les performances de prédiction sont significativement améliorées.
3. Quantification de l’incertitude : L’avantage inhérent de la méthode bayésienne réside dans la quantification de l’incertitude de l’identification des nœuds, un avantage que les autres méthodes ne peuvent offrir.

Directions Futures de Recherche

Les recherches futures peuvent explorer davantage l’impact des effets non linéaires des arêtes sur les résultats de classification, en utilisant des modèles semi-paramétriques pour capturer des associations plus complexes. De plus, des analyses plus approfondies de la distribution postérieure des différences entre les hémisphères cérébraux gauche et droit peuvent améliorer la compréhension de la symétrie et de l’asymétrie cérébrales dans différents états pathologiques.

Annexe et Autres Informations

Les ensembles complets de données d’IRMf, ainsi que les outils de calcul, les protocoles et les matériaux supplémentaires, peuvent être obtenus aux adresses suivantes : https://socr.umich.edu/docs/uploads/2024/fmri_corr_pilot.html et https://github.com/jeroda7105/classification-with-multi-layer-graphs.

Conclusion et Travaux Futurs

Cet article propose un cadre bayésien innovant pour résoudre le problème de la classification en utilisant des graphes multiniveaux, revêtant une importance significative pour l’étude de la connectivité fonctionnelle cérébrale dans les tâches de contrôle cognitif chez les personnes âgées. Les recherches futures devraient étendre ce modèle pour faire face à des structures de données plus complexes et à des scénarios d’application réels.