Résumé: En effectuant un zoom arrière pour imager de plus grandes zones du cerveau tout en utilisant la technologie IRMf, les chercheurs peuvent capturer des informations pertinentes supplémentaires, offrant une meilleure compréhension de l’interaction neuronale.
Police de caractère: Yale
Les chercheurs ont beaucoup appris sur le cerveau humain grâce à l’imagerie par résonance magnétique fonctionnelle (IRMf), une technique qui peut éclairer le fonctionnement du cerveau. Mais les méthodes typiques d’IRMf peuvent manquer des informations clés et ne fournir qu’une partie de l’image, selon les chercheurs de Yale.
Dans une nouvelle étude, ils ont évalué plusieurs approches et ont découvert que le zoom arrière et la prise d’un champ de vision plus large capturent des informations pertinentes supplémentaires qui manquent à une focalisation étroite, offrant une meilleure compréhension de l’interaction neuronale.
De plus, ces résultats plus larges peuvent aider à résoudre le problème de reproductibilité de la neuroimagerie, dans lequel certains résultats présentés dans les études ne peuvent pas être reproduits par d’autres chercheurs.
Les résultats ont été publiés le 4 août dans Actes de l’Académie nationale des sciences.
Les études utilisant l’IRMf se concentrent généralement sur de petites zones du cerveau. À titre d’exemple de cette approche, les chercheurs recherchent des régions du cerveau qui deviennent plus “actives” lorsqu’une activité particulière est effectuée, en se concentrant sur de petites zones avec la plus forte activation. Mais un nombre croissant de preuves montre que les processus cérébraux, et les processus complexes en particulier, ne se limitent pas à de petites parties du cerveau.
« Le cerveau est un réseau. C’est complexe”, a déclaré Dustin Scheinost, professeur agrégé de radiologie et d’imagerie biomédicale et auteur principal de l’étude. Simplifier à l’excès, a-t-il dit, conduit à des conclusions inexactes.
“Pour des processus cognitifs plus sophistiqués, il est peu probable que de nombreuses zones du cerveau ne soient pas impliquées”, a ajouté Stephanie Noble, associée postdoctorale au laboratoire de Scheinost à la Yale School of Medicine et auteur principal de l’étude.
Se concentrer sur de petites zones laisse de côté d’autres régions qui peuvent être impliquées dans le comportement ou le processus à l’étude, ce qui peut également affecter l’orientation des recherches futures.
“Vous développez cette image incorrecte de ce qui se passe réellement dans le cerveau”, a-t-il déclaré.
Pour l’étude, les chercheurs ont testé dans quelle mesure les scans IRMf à diverses échelles étaient capables de détecter des effets ou des changements dans les signaux IRMf lorsque les participants exécutaient différentes activités, révélant quelles parties du cerveau sont impliquées.
Ils ont utilisé les données du Human Connectome Project, qui a collecté des scintigraphies cérébrales d’individus lors de l’exécution de différentes tâches liées à des processus complexes tels que les émotions, le langage et les interactions sociales.
L’équipe de recherche a recherché des effets dans de très petites parties du réseau cérébral, telles que des connexions entre deux zones seulement, ainsi que dans des groupes de connexions, des réseaux généralisés et des cerveaux entiers.
Ils ont constaté que plus l’échelle était grande, mieux ils pouvaient détecter les effets. Cette capacité à détecter les effets est connue sous le nom de “puissance”.
“Nous obtenons une meilleure puissance avec ces méthodes à plus grande échelle”, a déclaré Noble.
Aux plus petites échelles, les chercheurs n’ont pu détecter qu’environ 10% des effets. Mais au niveau du réseau, ils ont pu en détecter plus de 80 %.
Le compromis pour la puissance supplémentaire était que les vues plus grandes ne transmettaient pas d’informations spatialement précises comme les analyses à plus petite échelle. Par exemple, à la plus petite échelle, les chercheurs pouvaient dire en toute sécurité que les effets observés se produisaient dans toute la petite zone.
Cependant, au niveau du réseau, ils ne pouvaient que dire que les effets se produisaient sur une grande partie du réseau, sans identifier exactement où dans le réseau.
L’objectif, dit Noble, est d’équilibrer les avantages et les inconvénients des différentes méthodes.
« Préférez-vous avoir une grande confiance dans une petite information pertinente ? en d’autres termes, obtenir une image très claire de la partie émergée de l’iceberg ? » elle a dit.
“Ou préféreriez-vous avoir une très grande image de l’ensemble de l’iceberg qui est peut-être un peu floue mais vous donne une idée de la complexité et de la large échelle spatiale de l’endroit où les choses se passent dans le cerveau?”
Pour d’autres chercheurs, cette approche est simple à mettre en œuvre, et Noble a déclaré qu’il avait hâte de voir comment d’autres scientifiques l’utiliseraient.
Elle souligne que les domaines de la psychologie et des neurosciences, dont la neuroimagerie, ont été confrontés à un problème de reproductibilité. Et la faible puissance des IRMf y contribue : les études à faible puissance ne révèlent que de petites parties de l’histoire, qui peuvent être considérées comme contradictoires plutôt que comme des parties d’un tout.
Augmenter la puissance de l’IRMf, comme elle et ses collègues l’ont fait ici en intensifiant leurs analyses, pourrait être un moyen de relever les défis de la reproductibilité en exposant à quel point des résultats apparemment contradictoires peuvent, en fait, être harmonieux.
“Monter la chaîne alimentaire, pour ainsi dire, passer d’un niveau très bas à des réseaux plus complexes vous donne beaucoup plus de pouvoir”, a déclaré Scheinost. “C’est l’un des outils que nous pouvons utiliser pour résoudre le problème de reproductibilité.”
Voir également
Et les scientifiques ne devraient pas jeter le bébé avec l’eau du bain, a déclaré Noble. Il y a beaucoup de bon travail en cours pour améliorer les méthodes et augmenter la rigueur, et l’IRMf continue d’être un outil précieux, a-t-il déclaré : « Je pense que l’évaluation de la puissance, de la rigueur et de la reproductibilité est saine pour n’importe quel domaine. Surtout celui qui traite de la complexité des êtres vivants et des processus mentaux.
Noble développe actuellement un “calculateur de puissance” pour l’IRMf, afin d’aider les autres à concevoir des études de manière à atteindre le niveau de puissance souhaité.
À propos de cette actualité de la recherche en neuroimagerie
Auteur: Mallory Lockléar
Police de caractère: Yale
Contact: Mallory Locklear-Yale
Image: L’image est dans le domaine public.
recherche originale : Libre accès.
“Améliorer la puissance de l’imagerie par résonance magnétique fonctionnelle en allant au-delà de l’inférence au niveau du groupe” par Stephanie Noble et al. PNAS
résumé
Améliorer la puissance de l’IRMf en allant au-delà de l’inférence au niveau du groupe
L’inférence de neuroimagerie se produit généralement au niveau des zones ou des circuits cérébraux focaux. De plus en plus, cependant, des études bien menées brossent un tableau beaucoup plus riche des effets à grande échelle répartis dans tout le cerveau, ce qui suggère que de nombreux rapports focaux ne reflètent peut-être que la pointe de l’iceberg des effets sous-jacents.
La manière dont les perspectives focales et à grande échelle influencent les déductions que nous faisons n’a pas encore été complètement évaluée à l’aide de données réelles.
Ici, nous comparons la sensibilité et la spécificité entre les procédures représentant plusieurs niveaux d’inférence à l’aide d’une procédure d’analyse comparative empirique qui rééchantillonne les connectomes basés sur les tâches à partir de l’ensemble de données du projet Human Connectome (∼1 000 sujets, 7 tâches). , 3 tailles de groupe de rééchantillonnage, 7 procédures inférentielles) .
Seules les procédures à grande échelle (réseau et cerveau entier) ont atteint le niveau de puissance traditionnel de 80 % pour détecter un effet moyen, reflétant > 20 % de puissance statistique en plus que les procédures focales (bord et cluster). La puissance a également été considérablement augmentée pour le taux de fausses découvertes, par rapport aux procédures de contrôle du taux d’erreurs familiales.
Les inconvénients sont assez limités; la perte de spécificité pour les procédures à grande échelle et FDR était relativement modeste par rapport aux gains de puissance. De plus, les méthodes à grande échelle que nous présentons sont simples, rapides et faciles à utiliser, offrant un point de départ facile aux chercheurs.
Cela indique également la promesse de méthodes plus sophistiquées à grande échelle, non seulement pour la connectivité fonctionnelle, mais également pour les domaines connexes, y compris l’activation basée sur les tâches.
Pris ensemble, ces travaux démontrent que la modification de l’échelle d’inférence et le choix du contrôle FDR peuvent être accomplis immédiatement et peuvent aider à résoudre les problèmes de puissance statistique qui affligent les études typiques sur le terrain.