Картирование мозга включает в себя поиск областей мозга, связанных с различными чертами, такими как болезни, когнитивные функции или поведение, и является основной областью исследований в области неврологии. Этот подход основан на статистических моделях и подвержен многочисленным ошибкам. Чтобы попытаться противостоять им, исследователи из команды ARAMIS, совместной команды Парижского института мозга и Inria, и их сотрудников из Университета Квинсленда (Австралия) и Университета Вестлейк (Китай) предлагают новую статистическую модель для картирования мозга. Результаты опубликованы в Journal of Medical Imaging.
Картирование мозга
Картирование мозга — это задача, которая мобилизует многих исследователей в области нейробиологии по всему миру. Целью этого подхода является определение областей мозга , связанных с различными чертами, такими как болезни, когнитивные показатели или поведение. Этот тип исследования также известен как «ассоциативное исследование всего мозга» и основан на исчерпывающем скрининге областей мозга для выявления тех, которые связаны с интересующей чертой.
«Трудность в том, что мы ищем иголку в стоге сена, за исключением того, что мы не знаем, сколько там иголок или, в нашем случае, сколько областей мозга нужно найти», — объясняет Батист Куви-Дюшен (Inria ), первый автор исследования.
Решение проблем резервирования сигнала
Первая проблема заключается в количестве доступных измерений мозга на человека, которое может быстро достичь миллиона и более. Кроме того, области мозга коррелируют друг с другом. Некоторые регионы тесно связаны и связаны со многими другими, как узлы в сети. Другие, однако, более изолированы либо потому, что они независимы от других областей мозга, либо потому, что они вносят свой вклад в очень специфические когнитивные черты или функции мозга.
«Если область мозга, связанная с интересующей нас характеристикой, является частью высокосвязной сети, анализ будет иметь тенденцию обнаруживать всю сеть, потому что сигнал распространяется внутри областей, которые коррелируют друг с другом, — продолжает исследователь. , который на первый взгляд может показаться очень сильным, на самом деле является избыточным. Как же тогда мы можем найти регион или регионы, которые действительно вносят вклад в интересующий признак в сети?»
Чтобы решить эту проблему, исследователи предлагают новые статистические методы , которые подходят для многомерного изображения, а также для моделирования сложной корреляционной структуры в мозгу.
Моделирование для разработки новых статистических методов
Чтобы проверить разработанные статистические методы, исследователям нужны очень контролируемые данные. «Мы не можем напрямую сравнивать методы по реальным признакам или заболеваниям, поскольку не знаем, что должны найти», — объясняет Батист Куви-Дюшен. «Один метод может найти 10 областей, связанных с признаком, другой — 20, хотя мы не можем сказать, какой из них дает правильный ответ».
Ключом к решению этой проблемы является использование моделирования. Исследователи используют настоящие изображения мозга, но изучают поддельные заболевания или поддельные баллы, которые они сконструировали так, чтобы они были связаны с десятками или сотнями предопределенных областей мозга. Таким образом, они могут проверить, обнаруживают ли статистические методы ожидаемые области, а также обнаруживают ли они другие («ложные срабатывания»).
Более надежный метод и открытые вопросы
После того, как их метод был откалиброван с помощью этих симуляций (которые показали, что предложенный подход был более точным, чем существующие), исследователи использовали реальные черты для проверки. «Наш новый метод в среднем находит меньше областей, потому что ему удается удалить некоторые из избыточных ассоциаций. Следующий шаг — применить его для изучения болезни Альцгеймера», — заключает исследователь.
Центральным результатом исследования является демонстрация того, насколько широко распространены избыточные ассоциации, с использованием современных статистических методов. Таким образом, многие ассоциации, выявленные на сегодняшний день, могут быть ненадежными или прямо относящимися к изучаемому признаку. Кроме того, на качество МРТ могут повлиять несколько трудно поддающихся контролю факторов, таких как движения головы или тип используемого оборудования, которые могут усугубить проблему и привести к ложным ассоциациям. Помимо разработки более совершенных методов анализа, вопрос качества и однородности данных остается крайне важным.
