Modèles statistiques pour méta-analyses d'études de neuroimagerie

Statistical models for comprehensive meta-analysis of neuroimaging studies

• Auteur / Autrice : Jérôme Dockes
• Direction : Fabian Suchanek, Gaël Varoquaux
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques et informatique
• Date : Soutenance le 27/11/2019
• Etablissement(s) : Université Paris-Saclay (ComUE)
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : établissement de préparation de la thèse : Télécom Paris (Palaiseau, Essonne ; 1878-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Traitement et communication de l'information (Paris ; 2003-....)
• Jury : Président / Présidente : Pierre Zweigenbaum
• Jury : Examinateurs / Examinatrices : Yves Grandvalet, Lars Kai Hansen
• Jury : Rapporteur / Rapporteuse : Angela Laird, Thomas Nichols

Mots clés

Mots clés contrôlés

Imagerie

Cerveau

Mots clés libres

Apprentissage statistique

Neuroimagerie

Méta-Analyse

Analyse sémantique

Traitement du langage naturel

Apprentissage multi-Tâche

Statistical learning

Neuroimaging

Meta-analysis

Semantic analysis

Natural language processing

Multi-task learning

Résumé

La neuroimagerie permet d’étudier les liens entre la structure et le fonctionnement du cerveau. Des milliers d’études de neuroimagerie sont publiées chaque année. Il est difficile d’exploiter cette grande quantité de résultats. En effet, chaque étude manque de puissance statistique et peut reporter beaucoup de faux positifs. De plus, certains effets sont spécifiques à un protocole expérimental et difficile à reproduire. Les méta-analyses rassemblent plusieurs études pour identifier les associations entre structures anatomiques et processus cognitifs qui sont établies de manière consistante dans la littérature. Les méthodes classiques de méta-analyse commencent par constituer un échantillon d’études focalisées sur un même processus mental ou une même maladie. Ensuite, un test statistique permet de délimiter les régions cérébrales dans lesquelles le nombre d’observations reportées est significatif. Dans cette thèse, nous introduisons une nouvelle forme de méta-analyse, qui s’attache à construire des prédictions plutôt qu’à tester des hypothèses. Nous introduisons des modèles statistiques qui prédisent la distribution spatiale des observations neurologiques à partir de la description textuelle d’une expérience, d’un processus cognitif ou d’une maladie cérébrale. Notre approche est basée sur l’apprentissage statistique supervisé qui fournit un cadre classique pour évaluer et comparer les modèles. Nous construisons le plus grand jeu de données d’études de neuroimagerie et de coordonnées stéréotaxiques existant, qui rassemble plus de 13 000 publications. Dans la dernière partie, nous nous intéressons au décodage: prédire des états psychologiques à partir de l’activité cérébrale. La méta-analyse standard est un outil indispensable pour distinguer les vraies découvertes du bruit et des artefacts parmi les résultats publiés en neuroimagerie. Cette thèse introduit des méthodes adaptées à la méta-analyse prédictive. Cette approche est complémentaire de la méta-analyse standard, et aide à interpréter les résultats d’études de neuroimagerie ainsi qu’à formuler des hypothèses ou des a priori statistiques.

Thousands of neuroimaging studies are published every year. Exploiting this huge amount of results is difficult. Indeed, individual studies lack statistical power and report many spurious findings. Even genuine effects are often specific to particular experimental settings and difficult to reproduce. Meta- analysis aggregates studies to identify consistent trends in reported associations between brain structure and behavior. The standard approach to meta-analysis starts by gathering a sample of studies that investigate a same mental process or disease.Then, a statistical test delineates brain regions where there is a significant agreement among reported findings. In this thesis, we develop a different kind of metaanalysis that focuses on prediction rather than hypothesis testing. We build predictive models that map textual descriptions of experiments, mental processes or diseases to anatomical regions in the brain. Our supervised learning approach comes with a natural quantitative evaluation framework, and we conduct extensive experiments to validate and compare statistical models. We collect and share the largest existing dataset of neuroimaging studies and stereotactic coordinates. This dataset contains the full text and locations of neurological observations for over 13 000 publications. In the last part, we turn to decoding: inferring mental states from brain activity.We perform this task through meta-analysis of fMRI statistical maps collected from an online data repository. We use fMRI data to distinguish a wide range of mental conditions. Standard meta-analysis is an essential tool to distinguish true discoveries from noise and artifacts. This thesis introduces methods for predictive metaanalysis, which complement the standard approach and help interpret neuroimaging results and formulate hypotheses or formal statistical priors.