L'intégration de plusieurs modalités d'IRM améliore la prédiction des capacités cognitives

L'intégration de plusieurs modalités d'IRM améliore la prédiction des capacités cognitives

Prédire les capacités cognitives à partir de l’imagerie cérébrale est depuis longtemps un objectif central des neurosciences cognitives. Bien que l’apprentissage automatique ait légèrement amélioré les prédictions utilisant les données d’IRM cérébrale, la plupart des études reposent sur une seule modalité d’IRM. Narun Pat et ses collègues ont intégré plusieurs modalités d'IRM grâce à une technique appelée empilement.

La méthode combine l'IRM structurelle (par exemple l'épaisseur corticale), l'état de repos et la connectivité fonctionnelle basée sur les tâches, ainsi que les contrastes dépendants du niveau d'oxygène dans le sang (BOLD) évoqués par la tâche pour créer un marqueur neuronal plus robuste de la fonction cognitive. Les auteurs ont analysé les données de 2 131 participants âgés de 22 à 100 ans provenant de trois grands ensembles de données IRM aux États-Unis et en Nouvelle-Zélande. Dans les trois ensembles de données, l’empilement des prédictions des résultats des tests cognitifs collectés à partir du scanner a été considérablement amélioré de manière cohérente et significative. Pour évaluer si l’empilement pouvait capturer des traits cognitifs stables, les auteurs ont appliqué la méthode à l’étude multidisciplinaire sur la santé et le développement de Dunedin. En utilisant l’imagerie cérébrale à 45 ans, le modèle a prédit les scores cognitifs chez l’enfant (7, 9 et 11 ans) avec une corrélation de 0,52, reconnaissant un niveau significatif de précision prédictive. L’empilement a également été confronté à un défi majeur dans les modèles basés sur l’IRM : la fiabilité test-retest, c’est-à-dire la stabilité des classements individuels au fil du temps. La cohérence améliorée suggère que l’empilement permet aux données d’IRM de capturer des différences individuelles plus persistantes en termes de capacité cognitive que les modèles à modalité d’IRM unique.

Enfin, les chercheurs ont évalué la généralisabilité de l’empilement en s’entraînant sur un ensemble de données et en testant sur un ensemble de données distinct et indépendant. En raison des différences dans les protocoles de tâches, les auteurs n’ont pas pu inclure plusieurs modalités d’IRM importantes. Néanmoins, le modèle a atteint une corrélation de Pearson de 0,25. Bien que ce résultat soit inférieur aux performances de l’ensemble de données, la corrélation a tout de même démontré un degré significatif d’applicabilité entre échantillons. Selon les auteurs, l’étude constitue une référence précieuse sur la manière dont l’empilement peut renforcer l’utilisation de l’IRM cérébrale en tant que marqueur neuronal fiable et robuste de la fonction cognitive.

Sources :