Corrélats cérébraux de l’anxiété catégorielle et dimensionnelle

Neural correlates of categorical and dimensional anxiety

• Auteur / Autrice : Alice Chavanne
• Direction : Jean-Luc Martinot, Ulrike Lüken, Eric Artiges
• Type : Thèse de doctorat
• Discipline(s) : Sciences de la vie et de la santé
• Date : Soutenance le 08/04/2024
• Etablissement(s) : université Paris-Saclay en cotutelle avec Humboldt-Universität (Berlin)
• Ecole(s) doctorale(s) : École doctorale Signalisations et réseaux intégratifs en biologie
• Partenaire(s) de recherche : Laboratoire : Centre Borelli - Centre Borelli
• Partenaire(s) de recherche : référent : Faculté de médecine
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Life Sciences and Health (2020-....)
• Jury : Président / Présidente : Stéphane Lehéricy
• Jury : Examinateurs / Examinatrices : Monique Ernst, Tim Hahn, Gabriel Robert, Sarah Lemler
• Jury : Rapporteurs / Rapporteuses : Monique Ernst, Tim Hahn

Mots clés

Mots clés contrôlés

Apprentissage machine

Neuroimagerie

Imagerie par résonance magnétique

Anxiété

Mots clés libres

Anxiété

Neuroimagerie

Irm

Apprentissage machine

Anxiety

Neuroimaging

Mri

Machine-Learning

Résumé

Les troubles anxieux sont très répandus et représentent une lourde charge de morbidité. Cependant, malgré une abondante littérature sur la neuro-imagerie à l’échelle du groupe, des marqueurs cérébraux robustes de vulnérabilité ou de réponse thérapeutique peinent à émerger. Ces dernières années, les approches de prédiction à l’échelle individuelle utilisant l'apprentissage automatique sont devenues de plus en plus populaires dans la recherche en santé mentale, et certains résultats prometteurs ont été rapportés dans des études de neuro-imagerie à petite échelle (généralement avec Ntotal < 60 participants). Ces résultats n'ont pas encore été reproduits dans des échantillons plus importants et multisites. Le présent projet de doctorat impliquait l'utilisation de l'apprentissage automatique supervisé pour prédire prospectivement le développement de troubles anxieux chez les adolescents en utilisant un jeu de données longitudinales de la population générale, IMAGEN, ainsi que pour prédire la réponse au traitement psychothérapeutique chez les patients phobiques en utilisant le jeu de données SPIDER-VR. Avec les données IMAGEN, des analyses d'apprentissage automatique ont été réalisées à partir de questionnaires et de données neuroanatomiques d'adolescents non anxieux, afin de prédire le développement d'un futur trouble anxieux (N = 156) par rapport à un statut de contrôle sain (N = 424). L'étude a souligné le potentiel prédictif des données sociodémographiques et issues de questionnaires pour la prédiction de futurs troubles anxieux regroupés, et celui des volumes de matière grise pour la prédiction d'un trouble anxieux généralisé. Les mesures d'IRM fonctionnelle extraites d'une tâche de traitement émotionnel des visages n'ont pas produit de performance prédictive supérieure au niveau de chance. Avec les données SPIDER-VR, des analyses d'apprentissage automatique ont été menées pour prédire la réponse des patients phobiques des araignées (N = 190) à une session de thérapie d'exposition en réalité virtuelle, en utilisant des données de questionnaires, des données d'IRM structurelle et diverses mesures d'IRM fonctionnelle extraites d'une tâche de provocation des symptômes. Contrairement aux attentes, l'étude n'a pas confirmé le potentiel prédictif des données sociodémographiques et de questionnaires, ni des données de neuro-imagerie, à l'exception de la variance du signal BOLD qui a produit une performance prédictive modérée. Dans l'ensemble, ce travail de doctorat remet en question les résultats optimistes d'études antérieures à plus petite échelle sur la prédiction de l'anxiété par apprentissage automatique basé sur la neuro-imagerie. Néanmoins, les résultats corroborent le fait que des questionnaires faciles à administrer présentent une performance prédictive prometteuse pour la prédiction de l'apparition de l'anxiété et que l'IRM structurelle puisse apporter une valeur prédictive supplémentaire. Divers autres biomarqueurs de l'anxiété sont apparus dans la littérature avec le potentiel d'améliorer la précision des prédictions relatives à l'anxiété, et d'autres recherches multimodales utilisant des jeux de données à grande échelle ainsi qu'une méthodologie rigoureuse d'apprentissage automatique sont nécessaires pour atteindre l'utilité clinique.

Anxiety disorders are highly prevalent and represent a heavy burden of disease. However, despite a large group-level neuroimaging literature, robust brain markers of vulnerability or therapeutic response struggle to emerge. In recent years, individual-level prediction approaches using machine-learning have become increasingly popular in mental health research, and some promising results have been reported in small-scale neuroimaging studies (usually with Ntotal < 60 participants). These prediction results have yet to be replicated in larger, multisite samples. The present doctoral project involved the use of supervised machine-learning to prospectively predict the development of anxiety disorders in adolescents using a longitudinal dataset from the general population, IMAGEN, as well as to predict the response to psychotherapeutic treatment in phobic patients using the SPIDER-VR dataset. With IMAGEN data, machine-learning analyses were conducted using questionnaire and neuroanatomical data of non-anxious adolescents, to predict the development of a future anxiety disorder (N = 156) vs. healthy control status (N = 424). The study supported the predictive potential of sociodemographic and questionnaire data for the future onset of pooled anxiety disorders, and of gray matter volumes for future generalized anxiety disorder onset. Functional MRI metrics extracted from an emotional face processing task did not yield any above-chance level predictive performance. With SPIDER-VR data, machine learning analyses were conducted to predict the response of patients with spider phobia (N = 190) to a virtual reality exposure therapy session, using questionnaire data, structural MRI data, and various functional MRI metrics extracted from a symptom provocation task. Contrastingly to expectations, the study did not support the predictive potential of sociodemographic and questionnaire data nor neuroimaging data, with the exception of BOLD signal variance which yielded moderate predictive performance. Overall, this doctoral work challenges optimistic results from earlier smaller-scale neuroimaging- based machine-learning prediction studies in anxiety. Nonetheless, findings substantiate that easy-to-administer questionnaires show promising predictive performance for anxiety onset prediction and that structural MRI might bring incremental predictive value. Various other anxiety biomarkers have emerged in the literature with potential to improve the accuracy of anxiety-relevant predictions, and further multimodal research using large-scale datasets alongside rigorous machine- learning methodology are needed in an effort to reach clinical utility.