Une équipe de recherche de l'Institut international de recherche sur l'intelligence artificielle de l'Institut de technologie de Harbin, à Shenzhen, a récemment publié une étude complète dans la revue Science des données de santé sur l'application des modèles de réseaux cérébraux (BNM) dans le domaine médical. Cette étude résume les avancées et les défis récents dans l'utilisation des BNM pour simuler les activités cérébrales, comprendre les mécanismes neuropathologiques, évaluer les effets thérapeutiques et prédire la progression de la maladie.
Les modèles de réseaux cérébraux (BNM) sont des outils de modélisation mathématique basés sur des réseaux de neurones qui intègrent des données de connectivité structurelle (SC) et de connectivité fonctionnelle (FC) pour simuler des changements dynamiques dans le cerveau dans diverses conditions neurologiques. Avec les progrès des techniques de neuroimagerie, les BNM sont devenus cruciaux dans l'étude des mécanismes sous-jacents aux troubles neurologiques tels que l'épilepsie, la maladie d'Alzheimer (MA) et la maladie de Parkinson (MP).
Dirigée par le professeur adjoint Chenfei Ye de l'Institut international de recherche sur l'intelligence artificielle de l'Institut de technologie de Harbin à Shenzhen, l'équipe a examiné les applications actuelles des BNM en médecine. La revue met en évidence la manière dont les BNM intègrent des données de neuroimagerie multimodales pour simuler la dynamique globale du cerveau et propose des améliorations telles que l'adoption de stratégies de fusion de données multimodales pour améliorer la précision des modèles dans la représentation de l'architecture fonctionnelle complexe du cerveau.
L'équipe a développé un flux de travail BNM axé sur la maladie qui montre comment extraire le connectome structurel cérébral (SC) d'un individu à partir de données IRM structurelles et pondérées en diffusion et dériver la connectivité fonctionnelle (FC) grâce à des analyses statistiques de données provenant de MEG, EEG ou IRMf. Ensuite, en couplant des modèles de masse neuronale (NMM) locaux avec des données de connectivité structurelle, un BNM global est construit pour simuler des activités cérébrales à grande échelle.
La valeur clé des BNM réside dans leur capacité à analyser quantitativement la dynamique anormale des réseaux cérébraux dans différents états pathologiques, offrant ainsi de nouvelles possibilités de planification de traitement personnalisée. L'étude suggère que le développement futur du BNM devrait se concentrer davantage sur les différences individuelles et l'intégration de données multimodales pour obtenir un diagnostic de maladie et des stratégies thérapeutiques plus précis.
L'équipe de recherche indique que les travaux futurs se concentreront sur le développement de nouveaux modèles BNM capables d'estimer un plus large éventail de paramètres neurodynamiques, tels que la distribution des entrées présynaptiques, la dépression synaptique dépendante de la fréquence et l'excitabilité intrinsèque des neurones postsynaptiques. L’objectif ultime est d’appliquer ces techniques de modélisation avancées dans la pratique clinique pour optimiser les stratégies de traitement.
