Unified Multi-Cohort Harmonisation and Normative Modelling of Neuroimaging Data via Hierarchical GAMLSS

Cette étude propose un cadre unifié de modélisation hiérarchique GAMLSS pour l'harmonisation multi-cohortes et la modélisation normative des données d'imagerie cérébrale, surpassant les méthodes ComBat existantes en éliminant les effets de cohorte tout en préservant les signaux biologiques complexes et en fournissant des scores de déviation normative sur l'échelle de mesure originale.

L'essentiel

🧠 Le Problème : Des photos de cerveau prises avec 6 appareils différents

Imaginez que vous voulez prendre des photos de la croissance d'un arbre, de sa graine jusqu'à sa vieillesse. Pour avoir assez de données, vous engagez six équipes différentes dans six pays différents.

• L'équipe A utilise un appareil photo Canon.
• L'équipe B utilise un Nikon.
• L'équipe C utilise un Sony, etc.

Chaque appareil a ses propres réglages, sa propre couleur de filtre et sa propre façon de traiter la lumière. Résultat ? Si vous mettez toutes les photos côte à côte, l'arbre de l'équipe A paraît plus vert, celui de l'équipe B plus jaune, et celui de l'équipe C plus sombre.

En neurosciences, c'est exactement ce qui se passe avec les IRM cérébrales. Quand on combine des données de millions de personnes venant de différents hôpitaux (les "cohortes"), les différences entre les machines (les scanners) créent du "bruit". Ce bruit peut faire croire à tort qu'un cerveau est plus petit ou plus grand simplement à cause de la machine utilisée, et non à cause de la vraie biologie de la personne.

🛠️ L'Ancienne Solution : Le "Filtre Magique" un peu trop simple

Pendant longtemps, les scientifiques ont utilisé une méthode appelée ComBat. C'est un peu comme si on prenait toutes ces photos et qu'on appliquait un filtre numérique pour essayer de rendre les couleurs identiques.

Le problème, c'est que ce filtre est un peu "bête". Il suppose que toutes les photos sont prises dans des conditions parfaites et que les erreurs sont simples (juste un peu plus clair ou un peu plus foncé). Mais la réalité est plus complexe :

• Certaines photos sont floues d'un côté.
• D'autres ont des ombres bizarres.
• Certaines sont déformées.

Le vieux filtre essaie de tout aplatir de la même façon. Parfois, ça marche, mais souvent, il gâche les détails importants (comme la texture de l'écorce de l'arbre) ou, pire, il crée des photos impossibles (comme un arbre qui a une couleur négative !).

✨ La Nouvelle Solution : L'Architecte Flexible (GAMLSS)

Les auteurs de cette étude ont créé une nouvelle méthode appelée GAMLSS. Au lieu d'utiliser un filtre simple, ils ont construit un architecte très flexible et intelligent.

Voici comment ça marche, avec une analogie :

1. L'Observation Fine : Au lieu de dire "toutes les photos sont juste un peu trop claires", l'architecte regarde chaque photo individuellement. Il se dit : "Ah, l'équipe A a tendance à faire des photos avec beaucoup de contraste (comme un film noir et blanc), tandis que l'équipe B a des photos très douces et floues."
2. Le Modelage sur Mesure : L'architecte ne force pas tout au même format. Il ajuste chaque photo selon ses propres défauts spécifiques. Il corrige non seulement la luminosité (la moyenne), mais aussi le contraste, la netteté et même les formes bizarres.
3. Le Résultat : À la fin, toutes les photos semblent avoir été prises avec le même appareil parfait, mais sans avoir perdu les détails réels de l'arbre.

🎯 Pourquoi c'est génial ? (Les 3 avantages)

1. On ne jette rien : Avec les anciennes méthodes, quand on essayait de corriger les photos, certaines devenaient illisibles (des valeurs "négatives" qui n'existent pas dans la réalité). La nouvelle méthode est si précise qu'elle garde presque 100% des données, même pour les cas les plus compliqués.
2. On garde la vérité biologique : En corrigeant les erreurs des machines, on fait ressortir la vraie histoire de la croissance du cerveau. Les scientifiques peuvent maintenant voir clairement comment le cerveau change avec l'âge, sans être distraits par les différences entre les hôpitaux.
3. Deux oiseaux, une pierre : Cette méthode fait deux choses en même temps : elle nettoie les données (pour les comparer) ET elle crée un "score de santé" pour chaque individu. C'est comme si, en nettoyant la photo, l'architecte vous donnait aussi un rapport détaillé sur la santé de l'arbre.

🚀 En résumé

Imaginez que vous assemblez un immense puzzle de la vie humaine, mais que les pièces viennent de 6 boîtes différentes avec des couleurs légèrement décalées.

• Les anciennes méthodes tentaient de forcer les pièces à s'assembler en les écrasant un peu, ce qui abîmait le dessin final.
• La nouvelle méthode (GAMLSS) ajuste délicatement chaque pièce pour qu'elle s'emboîte parfaitement, révélant ainsi le véritable tableau de la santé du cerveau humain, de l'enfance à la vieillesse.

C'est une avancée majeure pour comprendre comment notre cerveau vieillit, car elle permet de comparer des millions de cerveaux avec une précision jamais atteinte auparavant.

Résumé technique

1. Problématique

Les études d'imagerie cérébrale à grande échelle reposent de plus en plus sur le regroupement de données provenant de multiples cohortes, scanners et protocoles d'acquisition. Cette hétérogénéité introduit des variations techniques (effets de lot ou "batch effects") qui peuvent fausser les inférences biologiques si elles ne sont pas corrigées.

Bien que la méthode ComBat (et ses variantes comme ComBat-GAM et ComBat-LS) soit la norme actuelle pour l'harmonisation, elle présente des limites majeures :

• Hypothèses restrictives : Elle repose principalement sur des hypothèses de distribution gaussienne et se concentre sur la correction des deux premiers moments (localisation/moyenne et échelle/variance).
• Inadéquation aux données réelles : Les phénotypes en neuroimagerie structurelle présentent souvent des distributions non gaussiennes (asymétrie/skewness, kurtosis, hétéroscédasticité). Les effets de lot peuvent donc affecter non seulement la moyenne et la variance, mais aussi la forme de la distribution.
• Séparation des tâches : L'harmonisation et la modélisation normative (calcul des écarts par rapport à une norme) sont souvent traitées comme des étapes distinctes, ce qui peut entraîner une perte de signal ou une distorsion de la variance prédictive.

2. Méthodologie

Les auteurs proposent un cadre unifié basé sur les Modèles Additifs Généralisés pour la Localisation, l'Échelle et la Forme (GAMLSS) hiérarchiques.

• Données : L'étude utilise un ensemble de données longitudinal regroupant 88 126 observations issues de 6 cohortes (ABCD, IMAGEN, NCANDA, LIFE, UK Biobank, MAS), couvrant une tranche d'âge de 8,9 à 95,9 ans.
• Caractéristiques : 237 caractéristiques d'imagerie structurelle (volumes corticaux, épaisseur corticale, surface corticale, volumes sous-corticaux) extraites via FreeSurfer.
• Modélisation GAMLSS :
  • Contrairement à ComBat, le modèle GAMLSS permet de modéliser plusieurs paramètres de la distribution conditionnelle (localisation $\mu$, échelle $\sigma$, asymétrie $\nu$, kurtosis $\tau$) comme des fonctions des covariables.
  • Effets aléatoires hiérarchiques : Les effets de cohorte sont intégrés directement dans les paramètres de distribution sous forme d'effets aléatoires spécifiques à la cohorte.
  • Sélection de distribution : Le modèle utilise une hiérarchie de distributions paramétriques. Il commence par la distribution Sinh-Arcsinh (SHASH) à quatre paramètres (capable de gérer l'asymétrie et les queues lourdes). Si la convergence échoue, il bascule vers la distribution Gamma généralisée, puis vers la distribution Normale.
  • Harmonisation par cartographie des quantiles : Pour harmoniser, les effets aléatoires de cohorte sont retirés des paramètres de distribution. Les valeurs harmonisées sont ensuite obtenues en appliquant la fonction de quantile inverse (CDF inverse) de la distribution harmonisée aux scores de centile originaux. Cela préserve le rang de l'observation tout en la ramenant à l'échelle de mesure originale.
  • Scores de déviation normative : Les scores de centile sont directement convertis en scores Z (normaux standards) via une transformation probit, permettant d'obtenir simultanément des données harmonisées et des scores de déviation.

3. Contributions Clés

1. Cadre unifié : Intégration de l'harmonisation multi-cohortes et de la modélisation normative dans un seul modèle statistique, évitant les étapes de correction en deux temps.
2. Flexibilité distributionnelle : Capacité à modéliser et corriger les effets de lot sur l'asymétrie et l'aplatissement (kurtosis) des distributions, au-delà de la simple moyenne et variance.
3. Préservation de l'échelle native : Contrairement à certaines approches normatives qui ne produisent que des scores Z, cette méthode retourne des valeurs harmonisées sur l'échelle de mesure originale (ex: mm³, mm), essentielles pour les visualisations et les analyses en aval.
4. Validation rigoureuse : Comparaison contre trois méthodes ComBat (Classique, ComBat-GAM, ComBat-LS) sur des critères multiples : rétention des données, élimination des effets de lot, et préservation du signal biologique.

4. Résultats

L'évaluation a été menée sur 237 caractéristiques neuroimaging :

• Rétention des données : Le GAMLSS a perdu très peu de données (0,01 % des enregistrements valides), principalement en raison de valeurs négatives ou infinies après transformation. En comparaison, ComBat et ComBat-GAM ont perdu jusqu'à 0,11 % des données, avec des pertes concentrées sur des caractéristiques fortement asymétriques (ex: volume des hypointensités de la matière blanche), où l'hypothèse gaussienne échoue.
• Élimination des effets de lot :
  • Le GAMLSS a réduit les effets de cohorte résiduels (mesurés par l'augmentation du $R^2$ et la statistique de Kolmogorov-Smirnov) à des niveaux quasi nuls, performant aussi bien que ComBat-LS et ComBat-GAM.
  • Il a démontré une meilleure capacité à aligner les distributions complètes, y compris pour les caractéristiques non gaussiennes.
• Préservation du signal biologique :
  • Âge : Le GAMLSS a préservé (et même renforcé) les corrélations avec l'âge (corrélation de Spearman) et a obtenu la meilleure performance de prédiction de l'âge par un modèle XGBoost (MAE = 4,20 ans, $R^2$ = 0,945), surpassant les méthodes ComBat.
  • Sexe : Les différences liées au sexe (Cohen's d) ont été largement préservées (>97 %).
  • Trajectoires : Pour les caractéristiques complexes (ex: volume des hypointensités de la matière blanche), le GAMLSS a préservé la trajectoire exponentielle attendue avec l'âge, tandis que les méthodes ComBat ont parfois produit des distorsions ou des trajectoires erratiques, en particulier dans les tranches d'âge extrêmes.

5. Signification et Conclusion

Cette étude démontre que l'approche GAMLSS hiérarchique est une alternative supérieure et plus flexible aux méthodes ComBat traditionnelles pour l'harmonisation de l'imagerie cérébrale à grande échelle.

• Avantage principal : Elle traite la réalité des données neuroimaging (distributions non gaussiennes, effets de lot complexes) sans sacrifier la rétention des données ni la fidélité des trajectoires biologiques.
• Impact pratique : En fournissant à la fois des données harmonisées sur l'échelle native et des scores de déviation normative, elle facilite les analyses transversales et longitudinales, ainsi que la création de "cartes cérébrales" de référence robustes.
• Limites et perspectives : Le coût computationnel est plus élevé que celui de ComBat, et la sélection automatique de la distribution reste heuristique. Cependant, ce cadre ouvre la voie vers des modèles d'harmonisation longitudinale véritablement intégrés et une meilleure prise en compte des structures de covariance multivariées.

En résumé, le GAMLSS offre une solution robuste pour garantir que les analyses de données poolées reflètent la variation biologique réelle plutôt que des artefacts techniques, en particulier pour les phénotypes aux distributions complexes.