Machine learning et Neuroimaging data

Séminaire du Mastère Spécialisé® Big Data du 11 février 2016 avec Alexandre Gramfort, chercheur à Télécom ParisTech - LTCI (CNRS)

L’imagerie cérébrale permet d’observer l’activité neuronale de façon très précise et produit de plus en plus de données. Alexandre Gramfort, lauréat d’une ERC Strating Grant 2015, est venu présenter l’enjeu du machine learning dans le domaine des neurosciences.

Qu’est-ce que l’imagerie cérébrale fonctionnelle ?

Dans le cerveau, l’activité neuronale provoque des déplacements d’ions induisant un champ électromagnétique. L’électrophysiologie est l’étude de cette activité électrique qui peut se mesurer à travers plusieurs procédés plus ou moins invasifs.

• Électroencéphalographie (EEG) et Électroencéphalographie intracrânienne (sEEG)

C’est la méthode la plus invasive. Elle permet d’enregistrer l’activité électrique cérébrale via des électrodes implantées en profondeur sous la boîte crânienne. Mais il est également possible de mesurer l’activité électrique grâce à des EEG (Électroencéphalographie) non invasives. En effet, depuis les années 20, il est possible de mesurer le potentiel grâce à des électrodes placées sur la tête.

• Magnétoencéphalographie (MEG)

Elle permet de mesurer le champ magnétique produit par le cerveau même s’il est très faible. Les  capteurs  sont placés dans de l’hélium liquide et mesurent la variation du champ magnétique. Du fait des perturbations électromagnétiques de l’environnement, il est nécessaire de se placer dans une chambre blindée.  

•  Imagerie Spectroscopique Proche infrarouge (nIRS)

Lors de l’activation neuronale, la concentration en sang oxygéné augmente dans la zone où le neurone est activé. Cette différence d’oxygénation peut être mesurée grâce à la nIRS. En effet, le tissu humain est relativement transparent à la lumière dans la gamme du proche infrarouge (en 700 et 900 nm) et peut donc être facilement traversé par cette lumière sur plusieurs centimètres. Toutefois, l’hémoglobine réfléchit la lumière se trouvant dans cette gamme. De plus, son spectre d’absorption de la lumière sera différent en fonction de son oxygénation. En mesurant la différence de signal lié à l’absorption et la diffusion, il est possible de déterminer si la région du cerveau observée est en activité ou non.

•  Imagerie par Résonance Magnétique fonctionnelle (fMRI)

La fMRI est une application de l’IRM (Imagerie par résonnance magnétique) permettant de visualiser de manière indirecte l’activité cérébrale. Elle consiste à enregistrer les variations d’oxygénation de l’hémoglobine dans les zones du cerveau et ainsi mesurer la consommation d’oxygène à chaque point du cerveau.

Oxy. Hb : hémoglobine oxygénée, Deoxy. Hb : hémoglobine désoxygénée

L’apprentissage appliqué aux données du cerveau

Un des enjeux du machine learning dans cette application est de savoir s’il est possible de faire des algorithmes prédictifs afin de déterminer à l’avance si une personne risque d’être atteinte de maladies telles qu’Alzheimer ou si elle risque de mal réagir à un médicament particulier.

Plusieurs projets de recherche utilisent le machine learning pour mettre en place des interfaces cerveau-machine. Par exemple, il est actuellement possible, à partir d’un algorithme d’apprentissage statistique, de commander un bras robotisé grâce à des électrodes insérées sur le cortex moteur (intracrânien). Par ailleurs, les travaux de Nishimoto et al. (2011) ont montré que des algorithmes peuvent permettre la reconstruction d’images ou vidéos vues par un individu à partir de données d’IRMf.

>> Voir la vidéo

Convolutional nets for computer vision

Le système visuel humain possède plusieurs aires visuelles, allant du primaire (V1) à des aires plus hautes. Plus nous nous dirigeons vers ces aires supérieures, plus le traitement des données visuelles est complexe, allant jusqu’à la reconnaissance d’objets ou de visages.

Dans les années 50, des expériences ont montré que, lorsque l’on plante des électrodes dans une région précise du cerveau d’un chat qui regarde une barre, certains neurones sont activés lorsque la barre est en position horizontale et d’autres lorsqu’elle est en position verticale. Cela signifie qu’il existe des neurones spécifiques à la détection de contour.

Le réseau convolutionel profond est un outil informatique servant à la reconnaissance d’objets. Un tel algoritme a été utilisé pour prédire l’amplitude du signal mesuré par IRMf lors de la présentation d’images. Des résultats expérimentaux montrent qu’un tel réseau possède des propriétés similaires à la hiérarchie des aires visuelles, permettant ainsi de mieux appréhender la perception visuelles chez l’homme.

Qu’est-ce qui change ?

Actuellement, le nombre de données dans le domaine médical est en train d’évoluer. En effet, un projet américain souhaite acquérir les données de plus de 1000 sujets. Cela révèle un nouveau challenge au niveau des algorithmes qui ne sont pas prévus pour un nombre important de données.

De plus, l’importance du machine learning n’a jamais été aussi forte en science expérimentale. L’enjeu est d’aboutir à des outils d’analyse qui savent s’adapter aux données pour en tirer le meilleur parti et obtenir des résultats solides et reproductibles.

Cela se traduit notamment par la création du RAMP (Rapid Analytics and Model Prototyping) par le Paris-Saclay center for data science. C’est une journée consacrée à la coopération entre scientifiques (physique, chimie, biologie, etc.) et data scientists, passionnés de data et d'algorithmes de Machine Learning qui partagent leurs connaissances afin de répondre aux enjeux de la science de demain.