Machine Learning on Population Imaging for Mental Health

Apprentissage statistique sur l'imagerie de population pour la santé mentale Les troubles mentaux présentent une grande hétérogénéité entre les individus. Une difficulté fondamentale pour étudier leurs manifestations ou leurs facteurs de risque est que le diagnostic des conditions mentales pathologiques est rarement disponible dans les grandes cohortes de santé publique. Ici, nous cherchons à développer des biomarqueurs, signatures cérébrales de troubles mentaux. Pour cela, nous utilisons l'apprentissage automatique pour prédire les résultats de santé mentale grâce à l'imagerie de population, en se basant sur l’imagerie cérébrale (imagerie par résonance magnétique (IRM)). Compte tenu des évaluations comportementales ou cliniques, l'imagerie de population peut relier les caractéristiques uniques des variations cérébrales à ces mesures autodéclarées non cérébrales basées sur des questionnaires. Ces mesures non cérébrales fournissent une description unique des différences psychologiques de chaque individu qui peuvent être liées à la psychopathologie à l'aide de méthodes statistiques. Cette thèse de doctorat examine le potentiel d'apprentissage de tels résultats basés sur l'imagerie pour analyser la santé mentale. En utilisant des méthodes d'apprentissage automatique, nous effectuons une évaluation, à la fois complète et robuste, des mesures de population pour guider des prévisions de haute qualité des résultats pour la santé. Cette thèse est organisée en trois parties principales: premièrement, nous présentons une étude approfondie des biomarqueurs du connectome, deuxièmement, nous proposons une réduction significative des données qui facilite les études d'imagerie de population à grande échelle, et enfin nous introduisons des mesures indirectes pour la santé mentale. Nous avons d'abord mis en place une étude approfondie des connectomes d'imagerie afin de prédire les phénotypes cliniques. Avec l'augmentation des images cérébrales de haute qualité acquises en l’absence de tâche explicite, il y a une demande croissante d'évaluation des modèles prédictifs existants. Nous avons effectué des comparaisons systématiques reliant ces images aux évaluations cliniques dans de nombreuses cohortes pour évaluer la robustesse des méthodes d'imagerie des populations pour la santé mentale. Nos résultats soulignent la nécessité de fondations solides dans la construction de réseaux cérébraux entre les individus. Ils décrivent des choix méthodologiques clairs. Ensuite, nous contribuons à une nouvelle génération d'atlas fonctionnels du cerveau pour faciliter des prédictions de haute qualité pour la santé mentale. Les atlas fonctionnels du cerveau sont en effet le principal goulot d'étranglement pour la qualité de la prédiction. Ces atlas sont construits en analysant des volumes cérébraux fonctionnels à grande échelle à l'aide d'un algorithme statistique évolutif, afin d'avoir une meilleure base pour la prédiction des résultats. Après les avoir comparés avec des méthodes de pointe, nous montrons leur utilité pour atténuer les problèmes de traitement des données à grande échelle. La dernière contribution principale est d'étudier les mesures de substitution potentielles pour les résultats pour la santé. Nous considérons des comparaisons de modèles à grande échelle utilisant des mesures du cerveau avec des évaluations comportementales dans une cohorte épidémiologique d'imagerie, le UK Biobank. Dans cet ensemble de données complexe, le défi consiste à trouver les covariables appropriées et à les relier à des cibles bien choisies. Cela est difficile, car il y a très peu de cibles pathologiques fiables. Après une sélection et une évaluation minutieuses du modèle, nous identifions des mesures indirectes qui sont en corrélation avec des conditions non pathologiques comme l'état de sommeil, la consommation d'alcool et l'activité physique. Ceux-ci peuvent être indirectement utiles pour l'étude épidémiologique de la santé mentale.