Representation learning identifies systems-level neuroimaging signatures of traumatic brain injury-related attentional dysfunction in young adults

Résumé technique : L'apprentissage de représentations identifie des signatures de neuroimagerie au niveau systémique de la dysfonction attentionnelle liée aux TBI

Énoncé du problème
Les traumatismes crâniens (TBI), particulièrement les cas légers à modérés, entraînent fréquemment des déficits attentionnels persistants et des troubles du contrôle inhibiteur qui impactent significativement la qualité de vie. Cependant, les signatures neurobiologiques sous-jacentes restent mal comprises. Les études de neuroimagerie traditionnelles ont produit des résultats incohérents concernant les régions cérébrales ou les voies spécifiques impliquées dans la dysfonction attentionnelle liée aux TBI. Cette incohérence découle en partie du fait que le TBI implique souvent des processus neuropathologiques diffus affectant des systèmes neuraux distribués, plutôt que des lésions focales, ce que les analyses conventionnelles par voxel ou par région d'intérêt (ROI) ne parviennent pas à capturer efficacement. De plus, les approches existantes d'apprentissage automatique (ML) dans la recherche sur le TBI se sont largement concentrées sur la discrimination de groupes diagnostiques à l'aide de petits ensembles de données et de classifieurs supervisés, avec un accent limité sur l'identification de caractéristiques neurobiologiques spécifiquement liées à la sévérité des symptômes attentionnels ou sur l'utilisation de la structure latente de données multimodales de haute dimension.

Méthodologie
L'étude a employé un cadre d'apprentissage de représentations semi-supervisé appliqué à des données de neuroimagerie multimodales provenant de 89 jeunes adultes (44 avec un historique de TBI lié au sport et 45 témoins sains).

• Acquisition et traitement des données : Les participants ont subi une IRM structurelle (sMRI) haute résolution, une IRM de diffusion (dMRI) et une IRM fonctionnelle (fMRI) basée sur une tâche utilisant un scanner validé de l'attention soutenue visuelle (VSAT).

  • sMRI : Traitée via le pipeline du Human Connectome Project et FreeSurfer pour extraire 157 caractéristiques (épaisseur corticale, volume) à partir de 89 ROI.
  • dMRI : Prétraitée avec FSL pour extraire 384 caractéristiques, incluant l'anisotropie fractionnée (FA) de 14 tracts de substance blanche et des métriques de théorie des graphes (efficacité nodale globale/locale, coefficient de regroupement, centralité d'intermédiarité) pour le réseau structurel de la substance blanche.
  • fMRI : Traitée avec la boîte à outils GAT-FD pour construire des réseaux fonctionnels à partir de 114 ROI activées par la tâche, produisant 456 caractéristiques (degré nodal, efficacité, centralité d'intermédiarité).
  • Total des caractéristiques : 997 caractéristiques multimodales brutes ont été générées par sujet.

• Réduction des caractéristiques : Pour atténuer le surapprentissage et réduire la dimensionnalité, une procédure de sélection de caractéristiques en deux étapes, contrôlée par fuite, a été appliquée au sein de chaque pli de validation croisée. Cela impliquait des tests t pour deux échantillons ($p < 0,05$) suivis d'une analyse discriminante linéaire (LDA) pour conserver les caractéristiques ayant des scores de coefficients absolus $> 1,5$, réduisant l'espace des caractéristiques de 997 à 29.

• Architecture du modèle : Un auto-encodeur (AE) semi-supervisé a été implémenté avec trois composants :

  1. Encodeur : A compressé l'entrée de 29 dimensions en une représentation latente de 10 dimensions via une couche cachée de 20 neurones.
  2. Décodeur : A reconstruit l'espace de caractéristiques original en utilisant une architecture miroir.
  3. Classifieur : Une branche supervisée qui prédit le statut TBI en utilisant la représentation latente (5 neurones, sortie sigmoïde).
     Le modèle optimise conjointement l'erreur de reconstruction de la moyenne (poids 0,7) et la perte de classification d'entropie croisée binaire (poids 0,3). L'injection de bruit gaussien (20 % des entrées) a servi de stratégie de régularisation par débruitage.

• Évaluation et interprétabilité :

  • Classification : La performance a été évaluée via une validation croisée à 5 plis en utilisant l'AUC, l'exactitude, la sensibilité et la spécificité.
  • Importance des caractéristiques : Une analyse basée sur la permutation (1 000 permutations) a identifié les caractéristiques hautement discriminantes (seuil : moyenne + 1,5 SD).
  • Analyse cerveau-comportement : Une régression par moindres carrés partiels (PLSR) a été réalisée au sein du groupe TBI pour évaluer la relation entre les 6 meilleures caractéristiques discriminantes et les symptômes attentionnels (mesurés par les scores T de la CAARS), en contrôlant l'âge, le sexe, la gravité des lésions et le nombre de blessures.

Résultats clés

• Performance de classification : Le modèle AE semi-supervisé a atteint une Aire Sous la Courbe (AUC) moyenne de 0,932 ± 0,087, avec une exactitude de 88,5 %, une sensibilité de ~90 % et une spécificité de ~86 %. Cette performance a nettement surpassé un benchmark PCA-SVM conventionnel.
• Caractéristiques discriminantes : L'analyse par permutation a identifié un petit sous-ensemble de caractéristiques systémiques hautement discriminantes. Les 4 premières caractéristiques (dépassant la moyenne + 1,5 SD) étaient :
  1. La centralité d'intermédiarité (BC) nodale du noyau caudé droit (réseau fonctionnel).
  2. Le degré nodal du gyrus cingulaire droit (réseau fonctionnel).
  3. Le degré nodal du sillon temporal supérieur postérieur (pSTS) gauche (réseau fonctionnel).
  4. La BC nodale du cuneus droit (réseau structurel de la substance blanche).
     Deux caractéristiques supplémentaires (efficacité globale nodale des régions antérieures et postérieures du cingulum droit dans le réseau structurel) ont dépassé le seuil de la moyenne + 0,5 SD.
• Ablation des caractéristiques : Une relation non linéaire a été observée entre le nombre de caractéristiques et la performance ; les 4 premières caractéristiques capturent la majorité du pouvoir discriminatif, le modèle complet à 29 caractéristiques n'apportant que des gains marginaux de stabilité.
• Relations cerveau-comportement : Dans le groupe TBI, la PLSR a révélé que les caractéristiques identifiées expliquaient 65,7 % de la variance des symptômes attentionnels ($R^2Y = 0,657$) avec une pertinence prédictive robuste ($Q^2 = 0,534$, $p < 0,001$).
  • pSTS gauche (Fonctionnel) : Un degré nodal plus faible était significativement associé à des symptômes d'inattention et d'hyperactivité/impulsivité plus élevés (VIP = 1,48).
  • Cingulum antérieur rostral/caudal droit (Structurel) : Une efficacité globale nodale plus élevée était positivement associée à la sévérité des symptômes (VIP > 1,0).
  • Aucune association cerveau-comportement significative n'a été trouvée dans le groupe témoin.

Contributions clés

1. Développement de cadre : Cette étude a appliqué avec succès un auto-encodeur semi-supervisé aux données de neuroimagerie multimodales, démontrant que l'apprentissage de représentations peut compresser efficacement des données de TBI de haute dimension et hétérogènes en représentations latentes compactes et biologiquement significatives.
2. Signatures de niveau systémique : Contrairement aux études précédentes se concentrant sur des régions focales, ce travail a identifié que la dysfonction attentionnelle liée au TBI est caractérisée par des altérations distribuées des propriétés de réseau (degré nodal, efficacité, centralité d'intermédiarité) à travers les réseaux fonctionnels et structurels.
3. Pertinence clinique : L'étude est allée au-delà de la simple classification diagnostique en démontant que les caractéristiques latentes apprises par le modèle sont significativement associées à la sévérité des symptômes attentionnels (inattention et hyperactivité/impulsivité) au sein de la population TBI.
4. Interprétabilité : Par l'importance de la permutation et la PLSR, l'étude a fourni une cartographie interprétable entre des hubs de réseaux spécifiques (pSTS, cingulum, caudé, cuneus) et les résultats cliniques, offrant une base biologiquement ancrée pour le développement de biomarqueurs.

Signification et affirmations
Les auteurs affirment que cette étude fournit une approche multimodale nouvelle et interprétable pour développer des biomarqueurs biologiquement ancrés de la dysfonction cognitive post-TBI. En déplaçant l'accent des anomalies régionales isolées vers des signatures de niveau systémique latentes, le cadre capture la nature distribuée de la pathologie du TBI plus efficacement que les méthodes statistiques ou de ML supervisées conventionnelles.

Les résultats suggèrent que la dysfonction attentionnelle persistante après un TBI n'est pas simplement le résultat de dommages focaux, mais reflète une perturbation de la communication et de l'organisation à travers les systèmes neuraux en interaction, impliquant spécifiquement les réseaux fronto-striataux, cingulaires, temporaux postérieurs et occipitaux. Les auteurs postulent que ces représentations neurobiologiques latentes offrent une voie prometteuse pour la stratification objective de la dysfonction cognitive et peuvent guider le développement d'interventions ciblées. Cependant, les auteurs notent modestement que le cadre actuel n'est pas encore prêt pour une mise en œuvre clinique immédiate et nécessite une validation dans des cohortes plus larges, multi-sites, avec un suivi longitudinal pour établir la généralisabilité et les mécanismes causaux.