Analyse multivariée par reconnaissance de formes : Décodage cérébral

Résumé

Dans le domaine des neurosciences, deux des questions fondamentales sont: comment l’information est distribuée au travers de différentes structures cérébrales, et comment cette information se modifie au cours du temps. Divers outils, tels que l’Imagerie par Résonance Magnétique (IRM) et la Tomographie par Émission de Positon (TEP), ont été développés au cours de ces dernières décennies pour enregistrer l’activité cérébrale et répondre à ces deux questions. En particulier, l’IRM fonctionnelle (IRMf) mesure les modifications du niveau d’oxygénation du sang (signal BOLD [Blood Oxygenation Level-Dependent]) qui est un bon indicateur de l’activité cérébrale (1), avec une résolution spatiale de quelques millimètres cube et une résolution temporelle typiquement de l’ordre de la seconde. Jusqu’à récemment, les méthodes généralement utilisées pour analyser des données IRMf ou TEP se concentraient sur la caractérisation de la relation individuelle entre un état cognitif ou perceptuel et chaque voxel¹, suivant une approche statistique massivement univariée. Ce type d’approche permet notamment la construction d’une cartographie paramétrique statistique (2), reposant sur un modèle linéaire général (3), permettant de détecter les voxels qui présentent une réponse statistiquement significative à la condition expérimentale d’intérêt (ou une combinaison de celles-ci). Cependant, le fait d’examiner les voxels un par un individuellement contraint ce qui peut être inféré à propos de la représentation cérébrale de l’information. Par exemple, il est possible que plusieurs voxels distribués spatialement soient évalués individuellement comme non significativement activés par une condition expérimentale selon une analyse univariée, alors que la considération de l’ensemble de leurs signaux pourrait caractériser la présence (ou l’absence) de cette condition expérimentale. De plus, les approches classiques voxel-par-voxel sont principalement conçues pour comparer des différences entre conditions ou groupes de sujets, et ne permettent donc pas d’évaluer ou de prédire l’évolution d’une maladie ou l’état de conscience d’un seul sujet. D’autre part, les techniques d’analyse de formes multi-voxel (ou Multi-Voxel Pattern Analysis) (4–6) permettent d’augmenter la sensibilité de détection d’une représentation mentale particulière. Ces approches multivariées, connues aussi sous les noms de décodage cérébral (brain decoding) ou lecture de l’esprit (mind reading), visent à relier un état cognitif, perceptuel, comportemental ou médical, à une distribution spécifique de l’activité des voxels. L’application de ces méthodes a permis de décoder, à partir de l’activité cérébrale mesurée par imagerie, la catégorie d’un objet présenté visuellement (7–9) ou l’orientation d’un ensemble de lignes vues par un sujet (10, 11). L’évolution des algorithmes de reconnaissance de formes a aussi permis le décodage d’activité cérébrale moins contrôlée, telle que des tâches de récupération mnésique (12, 13).