Transformer la recherche sur le cerveau grâce à l’IA et à l’apprentissage automatique

Grâce à l’apprentissage automatique, les chercheurs peuvent utiliser les données du cerveau pour glaner des informations plus approfondies et appliquer ces nouvelles connaissances en milieu clinique. Les résultats seront présentés le lundi 13 novembre, de 14 h à 15 h HNE, à Neuroscience 2023, le congrès annuel de la Society for Neuroscience et la plus grande source mondiale d’informations émergentes sur la science et la santé du cerveau.

L’apprentissage automatique est une branche de l’intelligence artificielle (IA) qui vise à permettre aux ordinateurs d’analyser des données de manière de plus en plus complexe. Les chercheurs utilisent des algorithmes avec des modèles adaptatifs qui peuvent changer et se développer sans intervention extérieure. Dans la recherche en neurosciences, l’apprentissage automatique peut étudier de grands ensembles de données contenant des informations provenant du cerveau humain et également appliquer des modèles pour prédire les résultats sur la base de ces informations.

De nouvelles découvertes montrent que :

• Les chercheurs peuvent identifier avec succès l’activité entre le thalamus et les régions motrices comme étant corrélée aux symptômes dépressifs, en appliquant des techniques de neuroimagerie pour détecter des régions cérébrales anormales dans les troubles psychiatriques. (Ayumu Yamashita, Institut international de recherche en télécommunications avancées)
• Les modèles d’apprentissage automatique utilisant les données des patients peuvent prédire la progression d’un déficit cognitif léger (MCI) vers la maladie d’Alzheimer (MA) ; leur étude se concentre sur l’utilisation du kPCA (kernel Principal Components Analysis). (Nikita Goel, Université de Californie du Sud)
• Une nouvelle application des réseaux de neurones artificiels peut découvrir comment les cellules du cortex visuel interprètent les signaux lumineux provenant de la rétine et traduisent ces données en vision. (Dan Butts, Université du Maryland)
• Les chercheurs ont appliqué des modèles d’apprentissage automatique aux enregistrements cérébraux profonds et les ont combinés avec des méthodes traditionnelles de théorie du contrôle pour créer un outil permettant de prédire les cibles de stimulation cérébrale profonde (DBS). Cette optimisation peut aider au traitement de la dystonie chez les enfants. (Maral Kasiri, Université de Californie, Irvine)

« Les progrès de l’IA et de l’apprentissage automatique transforment la recherche sur le cerveau et les traitements cliniques, » a déclaré Terry Sejnowski, professeur Francis Crick au Salk Institute for Biological Studies et professeur distingué à l’UC San Diego, qui modérera la conférence de presse. « Les enregistrements cérébraux produisent d’énormes ensembles de données qui peuvent être analysés grâce à l’apprentissage automatique. La modélisation prédictive, les interfaces machine-cerveau et la neuroimagerie/neuromodulation sont des domaines particulièrement prometteurs dans le développement de nouveaux traitements et plans de traitement pour les patients.

Cette recherche a été soutenue par des agences de financement nationales, notamment les National Institutes of Health et des organismes de financement privés. Apprenez-en davantage sur l’IA et la recherche sur le cerveau sur BrainFacts.org.

lundi 13 novembre 2023

14h à 15h HNE

Centre de congrès Walter E. Washington, salle 202B

Résumé de la conférence de presse

• Ces présentations explorent la richesse des données qui peuvent être extraites et analysées à l’aide de l’apprentissage automatique. Ces sujets vont de la modélisation prédictive qui identifie l’activité cérébrale pour des troubles tels que la maladie d’Alzheimer (MA) et la dépression (les deux premières études) à l’analyse du système visuel complexe du cerveau et à l’application de modèles de réseaux cérébraux profonds pour faire progresser les thérapies (les troisième et quatrième études). , respectivement).

Méthode de sélection de caractéristiques non supervisée, extraction robuste de la connectivité fonctionnelle à l’état de repos liée au trouble dépressif majeur

Ayumu Yamashita, [email protected]Résumé PSTR099.15

• Les chercheurs ont utilisé des techniques de neuroimagerie combinées à l’apprentissage automatique pour identifier des biomarqueurs cérébraux. Pour déterminer avec quelle précision et robustesse ces techniques détectent les régions cérébrales anormales dans les troubles psychiatriques, les chercheurs ont utilisé trois types de méthodes de sélection de caractéristiques en ce qui concerne le trouble dépressif majeur (TDM).
• Sur les trois méthodes, ils ont constaté que la méthode de sélection de caractéristiques non supervisée extrayait de manière robuste les connexions fonctionnelles avec des tailles d’effet plus grandes dans les données de test. À l’aide des données d’IRM de 1 162 patients, dont 334 souffrant de dépression, les chercheurs ont extrait l’activité coordonnée entre les parties du cerveau (en particulier le thalamus et les régions liées à la motricité) qui sont corrélées aux symptômes dépressifs.

Prédire le déclin futur, depuis les troubles cognitifs légers jusqu’à la maladie d’Alzheimer, grâce à l’apprentissage automatique et à l’IRM cérébrale 3D

Nikita Goel, [email protected]Résumé NANO03.07

• Les modèles prédictifs utilisent l’apprentissage automatique pour tenter de déterminer qui développera des troubles cérébraux tels que la MA. Les chercheurs ont utilisé une gamme de modèles pour voir quel modèle pourrait prédire un déficit cognitif léger (MCI) qui évoluerait vers la MA.
• Les chercheurs ont utilisé des examens IRM ainsi que des données démographiques et génétiques provenant de plus de 2 448 personnes. Le modèle le plus fonctionnel qu’ils ont développé a utilisé la kPCA (analyse des composants principaux du noyau) pour générer de nouvelles fonctionnalités en combinant les données d’analyse avec des données sur un gène de risque de MA ainsi qu’avec des données de base sur les patients.

Réseaux de neurones profonds biologiquement contraints pour analyser les calculs visuels effectués dans le cortex visuel primaire

Dan Butts, [email protected]Résumé PSTR149.16

• Les chercheurs ont utilisé une nouvelle application de réseaux neuronaux artificiels appelés réseaux neuronaux profonds convolutifs (CNN) pour apprendre comment les cellules du cortex visuel du cerveau interprètent les signaux lumineux capturés par la rétine.
• Grâce à l’apprentissage automatique, les chercheurs commencent à comprendre comment les informations sur le monde visuel sont transmises à travers les cellules cérébrales du cortex visuel.

Identifier les cibles efficaces pour la stimulation cérébrale profonde : identification du système à l’aide d’un simple réseau neuronal récurrent

Maral Kasiri, [email protected]Résumé PSTR154.16

• Les cliniciens sont confrontés à des défis liés à la stimulation cérébrale profonde (DBS) pour déterminer les cibles optimales dans le cerveau. De cette manière, le traitement peut être adapté à un patient spécifique afin de mieux traiter les symptômes des troubles du mouvement.
• Basé sur les signaux cérébraux intrinsèques des zones cérébrales (c’est-à-dire les noyaux gris centraux et le thalamus) chez les enfants atteints de dystonie, l’apprentissage automatique peut être appliqué pour développer des modèles de réseaux cérébraux profonds combinés à la théorie du contrôle traditionnelle et aux méthodes statistiques. Le résultat final est un outil permettant d’identifier les cibles DBS les plus favorables pour les patients.