Une étude récente explore la relation entre la connectivité cérébrale et l'intelligence, soulignant la valeur de l'interprétabilité dans la modélisation prédictive pour une compréhension plus approfondie de la cognition humaine.
Étude: Choisir l'explication plutôt que les performances : informations provenant de la machine. Crédit d'image : Christoph Burgstedt/Shutterstock.com
Dans une étude récente publiée dans Nexus PNASles chercheurs apportent de nouvelles connaissances sur la cognition humaine en donnant la priorité à l'interprétabilité dans la modélisation prédictive de l'intelligence issue de la connectivité cérébrale, plutôt qu'en se concentrant uniquement sur les performances de prédiction.
Sommaire
Apprentissage automatique en neurosciences
La recherche neuroscientifique sur la cognition humaine a évolué, passant d'une concentration sur des études explicatives à variable unique à l'utilisation d'une modélisation prédictive basée sur l'apprentissage automatique. Ce changement permet d'analyser les relations entre le comportement et plusieurs variables neurobiologiques pour prévoir le comportement sur divers échantillons.
L'intelligence, un prédicteur clé des résultats de la vie tels que la santé et la réussite scolaire, a été étudiée de manière approfondie, avec des théories la divisant en composants fluides et cristallisés. Les approches récentes d’apprentissage automatique ont amélioré la prédiction de l’intelligence à l’aide des données de connectivité cérébrale. Cependant, des connaissances conceptuelles limitées, le recours à des mesures d’intelligence spécifiques et des contraintes méthodologiques soulignent la nécessité de recherches plus approfondies pour explorer systématiquement les caractéristiques prédictives du cerveau.
À propos de l'étude
La présente étude a adhéré à une méthodologie rigoureuse, avec toutes les analyses, tailles d'échantillon et variables pré-enregistrées sur l'Open Science Framework. Les analyses primaires ont suivi des protocoles préenregistrés, avec des analyses post-hoc supplémentaires menées pour explorer davantage les connexions cérébrales les plus pertinentes pour la prédiction de l'intelligence.
Les participants à l’étude ont été sélectionnés à partir de l’échantillon de jeunes adultes S1200 du Human Connectome Project (HCP), composé de 1 200 personnes âgées de 22 à 37 ans. Un consentement éclairé a été obtenu conformément à la Déclaration d'Helsinki et toutes les procédures ont été approuvées par le comité d'examen institutionnel de l'Université de Washington.
Après exclusions pour données manquantes, déficience cognitive basée sur des scores au mini-examen de l'état mental (MMSE) de 26 ou moins, ou mouvements excessifs de la tête, l'échantillon final comprenait 806 participants, dont 418 étaient des femmes et 733 droitiers. Mesures du renseignement, y compris le renseignement général (gg), l'intelligence cristallisée (gCgC), et intelligence fluide (gFgF) ont été estimés à l'aide d'analyses factorielles bifactorielles et exploratoires à partir des résultats des tests cognitifs.
Des données d'imagerie par résonance magnétique fonctionnelle (IRMf) ont été collectées pendant l'état de repos et sept tâches cognitives pour construire des matrices de connectivité fonctionnelle (FC) spécifiques au sujet. Les données IRMf peu prétraitées ont subi des étapes de prétraitement supplémentaires, notamment une régression intempestive, une correction globale du signal et la suppression de l'activation évoquée par la tâche, afin d'améliorer les estimations de connectivité. La modélisation prédictive utilisait des réseaux neuronaux à action directe, qui incorporaient une validation croisée quintuple, une optimisation des hyperparamètres et une approche de déconfusion hors échantillon pour contrôler des covariables telles que l'âge, le sexe et les mouvements de la tête.
L'interprétabilité du modèle a été améliorée grâce à la propagation de pertinence par couche (LRP) pour identifier les connexions cérébrales fonctionnelles les plus critiques pour les prédictions. La réplication externe a été réalisée à l'aide de deux ensembles de données indépendants de l'Amsterdam Open MRI Collection (AOMIC), garantissant ainsi la clarté et la généralisabilité des résultats.
Les analyses statistiques comprenaient les coefficients de corrélation de Pearson, les mesures basées sur les erreurs et les tests de permutation non paramétriques pour évaluer les performances de prédiction et comparer les modèles entre les ensembles de données.
Résultats de l'étude
FC et son rôle dans la prévision du renseignement ont été étudiés à l’aide des données du HCP. Ici, gg, gCgCet gFgF les composantes ont été estimées à partir de 12 mesures cognitives et ont montré des intercorrélations significatives.
Des FC individuels ont été construits à partir de 100 nœuds corticaux en état de repos et de sept états de tâche. De plus, deux FC latents, l'un couvrant les états de repos et de tâche et l'autre couvrant uniquement les états de tâche, ont été calculés, ce qui a abouti à un total de dix états cognitifs à analyser.
Les performances de prédiction variaient selon les composants du renseignement. À cette fin, gg les prédictions ont obtenu la corrélation la plus élevée entre les scores observés et prédits, suivies par gCgC et gFgF. Les états des tâches ont également influencé la précision des prédictions, les tâches exigeantes sur le plan cognitif et les FC latents surpassant les autres.
Dans les réseaux cérébraux, les réseaux cognitifs tels que les réseaux de mode par défaut, de contrôle et d’attention ont fourni le pouvoir prédictif le plus important, car ils ont largement surpassé les réseaux tels que les systèmes somatomoteur et limbique.
Une sélection systématique de connexions cérébrales fonctionnelles a démontré que la prédiction de l'intelligence dépend de l'interaction entre les composants, les états et les réseaux. Les modèles formés avec tous les réseaux sauf un ont montré des réductions de performances minimes, mettant ainsi en évidence les informations compensatoires pertinentes pour l’intelligence distribuées à travers les réseaux cérébraux.
Les meilleures prédictions ont été obtenues en utilisant 1 000 des connexions cérébrales les plus pertinentes identifiées grâce au LRP par étapes. Ces connexions étaient largement réparties dans les régions corticales et variaient selon les états cognitifs.
La validation dans l'échantillon HCP lockbox a confirmé l'exactitude des résultats, avec des corrélations significatives dans les performances de prédiction pour toutes les composantes du renseignement. La réplication externe utilisant les données de l'AOMIC a démontré une généralisabilité, mais avec des tailles d'effet plus faibles.
Les principaux modèles de performances prédictives entre les États et les réseaux sont restés cohérents. De plus, les modèles basés sur les 1 000 connexions les plus pertinentes ont largement surpassé les sélections aléatoires.
Conclusions
Les prédictions du renseignement étaient systématiquement meilleures pour gg et gCgC par rapport à gFgF, mettant ainsi en évidence des différences systématiques dans leur physiopathologie neuronale. Ces résultats variaient selon les états et les réseaux cognitifs, les tâches exigeantes sur le plan cognitif et la connectivité à l’échelle du cerveau surpassant les mesures de l’état de repos.
Les modèles fondés sur la théorie et basés sur des cadres d'intelligence établis ont fourni des informations significatives, mais ont été surpassés par les modèles du cerveau entier. Prises ensemble, la présente étude a identifié environ 1 000 connexions cérébrales hautement prédictives qui forment un réseau distribué couvrant les principaux systèmes fonctionnels.
