Statistical models for comprehensive meta-analyses of neuroimaging studies
Modèles statistiques pour méta-analyses d'études de neuroimagerie
Résumé
Brain mapping studies the spatial organization of the brain and associations
between mental functions or diseases and anatomical structures.
It relies on structural and functional neuroimaging techniques such as
fMRI.
The neuroimaging literature is growing rapidly, with thousands of publications
every year.
Extracting general and reliable knowledge about the brain from 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.
Moreover, the mechanisms under study are very diverse, and terminology is not
yet fully formalized. Therefore, integrating results across experiments and
research domains is challenging.
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 is
performed at every voxel to delineate brain regions where there is a significant
agreement among reported findings.
In this thesis, we develop a different kind of meta-analysis 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.
We use multivariate models to combine terms used to describe experiments
or observations rather than studying each concept in isolation.
We introduce models that learn from very few examples, thus extending the scope
of meta-analysis to seldom-studied diseases and mental processes.
Our supervised learning approach comes with a natural quantitative evaluation
framework, and we conduct extensive experiments to validate and compare
statistical models.
To train these 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
meta-analysis, which complement the standard approach and help
interpret neuroimaging results and formulate hypotheses or formal
statistical priors.
La neuroimagerie permet d'étudier les liens entre la structure et le
fonctionnement du cerveau.
La littérature de neuroimagerie croît rapidement, avec des milliers de
publications par an.
Il est difficile d'extraire des connaissances sur le fonctionnement du cerveau
de 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 difficiles à reproduire.
Les méta-analyses rassemblent plusieurs études pour identifier les associations
entre structures anatomiques et processus cognitifs qui sont établies de manière
consistente 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 est effectué pour chaque voxel, afin 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.
Nos modèles peuvent apprendre avec très peu d'exemples à associer une carte
cérébrale à une fonction ou une maladie mentale.
Notre approche est basée sur l'apprentissage statistique supervisé qui
fournit un cadre classique pour évaluer et comparer les modèles.
Pour entraîner nos 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, qui consiste
à prédire des états psychologiques à partir de l'activité cérébrale.
Nous apprenons à décoder des images de cerveau à travers la méta-analyse de
données d'IRM fonctionnelle (IRMf). Les images d'IRMf nous permettent de
classifier un grand nombre d'états psychologiques.
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.
Origine | Fichiers produits par l'(les) auteur(s) |
---|
Loading...