Grâce à l’apprentissage automatique, les chercheurs peuvent utiliser les données du cerveau pour obtenir des informations plus approfondies et appliquer ces nouvelles informations en milieu clinique. Les résultats seront présentés le lundi 13 novembre, de 14h à 15h HNE, à Neuroscience 2023, la réunion annuelle de la Society for Neuroscience et la plus grande source mondiale d’actualités sur la science du cerveau et la santé.
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 évoluer sans intervention extérieure. Dans la recherche en neurosciences, l’apprentissage automatique peut examiner de vastes ensembles de données 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 liée aux symptômes dépressifs en utilisant 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 révéler comment les cellules du cortex visuel interprètent les signaux lumineux provenant de la rétine et traduisent ces données en vision visuelle. (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 être utile dans le 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 créent 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 agences de financement privées. Apprenez-en davantage sur l’IA et la recherche sur le cerveau sur BrainFacts.org.
lundi 13 novembre 2023
14h-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 dans 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 (la troisième et quatrièmes études). , respectivement).
Une méthode de sélection de caractéristiques non supervisée a extrait de manière fiable la connectivité fonctionnelle à l’état de repos associée au trouble dépressif majeur
Ayumu Yamashita, (email protégé)Abstrait 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 fiabilité 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).
- Ils ont constaté que parmi les trois méthodes, la méthode de sélection de caractéristiques non supervisée extrayait des relations fonctionnelles robustes 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 motrices) en corrélation avec les 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 protégé)Abstrait NANO03.07
- Les modèles prédictifs utilisent l’apprentissage automatique pour déterminer qui développera des troubles cérébraux comme la MA. Les chercheurs ont utilisé une série de modèles pour déterminer quel modèle pourrait prédire un déficit cognitif léger (MCI) qui conduirait à 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 en composantes principales du noyau) pour générer de nouvelles fonctionnalités en combinant les données d’analyse avec des données sur un gène de risque de MA et 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 protégé)Abstrait 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 détectés 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 protégé)Abstrait PSTR154.16
- Lorsqu’il s’agit de stimulation cérébrale profonde (DBS), les médecins sont confrontés au défi de déterminer les cibles optimales dans le cerveau. De cette manière, le traitement peut être adapté à un patient spécifique afin de mieux gérer les symptômes des troubles du mouvement.
- Basé sur les signaux cérébraux intrinsèques provenant de zones cérébrales (par exemple 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 en combinaison avec la théorie du contrôle traditionnelle et les méthodes statistiques. Le résultat final est un outil permettant d’identifier les cibles DBS les plus favorables pour les patients.