Le présent document offre un survol de différentes méthodes employant une approche réseau afin d'identifier des anomalies au sein de réseaux cérébraux associés à un diagnostic dans le cadre d'études cas-témoins. Le cadre opérationnel employé compare les réseaux cérébraux d'individus portant un certain diagnostic associé à une condition du cerveau (cas) avec les réseaux cérébraux d'individus en "santé" (témoins). Chaque patient est représenté par un seul réseau cérébral. Les méthodes réseaux discutées peuvent opérer sur certaines propriétés observables dans les réseaux cérébraux. Le choix des propriétés à investiguer devrait être guidé par des hypothèses et des connaissances actuelles des moyens de communications dans le cerveau. À cet effet, une revue de quelques mesures possibles, et les raisons pour lesquelles celles-ci pourraient être pertinentes dans un contexte de réseaux cérébraux est donnée. Quatre méthodes seront présentées, soit le Permutation Network Framework (PNF), ANOVA, le contrast-subgraph et le Network-based statistic (NBS). Par ailleurs, une extension au NBS, appelée NBS-SNI (NBS-simultaneous node investigation) est proposée. Des résultats employant NBS et NBS-SNI appliqués à des données fonctionnelle associées à des études cas-témoins (ABIDE I (autisme), ADHD200 (trouble du déficit de l'attention et hyperactivité), une étude sur la schizophrénie et d'autres) seront présentés. En outre, les différences identifiées avec ces méthodes seront également employé avec NBS-predict afin de réaliser des prédictions (diagnostics) sur des réseaux cérébraux individuels. Entre autres, des performances de prédiction de 70% et 66% ont été obtenues sur l'entièreté des données provenant de ABIDE I et de l'étude ADHD200, respectivement. Les résultats obtenus sur les données ABIDE I ont été analysés plus en profondeur et comparés à ceux d'autres études. Les attributs employés contribuant le plus aux prédictions se révèlent sous forme de sous-réseaux plus fortement/faiblement connectés chez les individus atteints par la condition. Certaines caractéristiques retrouvées dans ces sous-réseaux semblent être cohérentes avec des résultats rapportés précédemment obtenus sur les mêmes données, ou portant sur le spectre l'autisme en général. Finalement, quelques opinions à propos de l'utilisation d'un formalisme réseaux en neuroscience sont offertes, ainsi que des directions et modifications possibles pour l'extension NBS-SNI dans le futur. / This document offers an overview of different methods employing a network-based approach to identify abnormalities in brain networks associated with a certain diagnostic in typical case-control studies. In these methods, networks associated to patients with a condition are compared against healthy control brain networks. Every patient is represented by a single brain network. The methods discussed operate on some property observed on these brain networks. The choice of a property to measure should be meaningful and related to the (thought to be) means of communication in the brain. A review of a few of these possible measurable properties such as centrality measures is included. Four known methods will be presented, namely, a Permutation Network Framework (PNF), the one-way ANOVA, contrast-subgraph and the Network-based statistic (NBS). In addition, a modification/extension to the NBS called the NBS-SNI (NBS-Simultaneous Node Investigation) will be proposed. Some results obtained using the NBS and the novel NBS-SNI methods on various functional datasets associated to case-control studies (such as ADHD200 (attention deficit hyperactivity disorder), ABIDE I (autism), a schizophrenia study and others) will be presented. Moreover, the differences identified between the two groups of brain networks (condition and control) will also be used to make predictions/diagnosis of individuals using NBS-predict (a prediction extension of NBS). For example, prediction accuracies of 70% and 66% were obtained on the complete ABIDE I and ADHD200 datasets, respectively. Also, the results obtained on the complete ABIDE I dataset were further investigated and compared with other work. The features, which manifest in the condition group as hyperconnected or hypoconnected subnetworks that contributed the most to the prediction performance yielded by NBS-predict were extracted. Some characteristics of these subnetworks seemed to be coherent with previously reported findings on the same dataset/condition. Finally, considerations about using network neuroscience in the context of case-control studies are given, along with future outlooks for the proposed NBS-SNI method.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/73573 |
| Date | January 2022 |
| Creators | Normand, Francis |
| Contributors | Côté, Daniel, Allard, Antoine |
| Publisher | Université Laval |
| Source Sets | Université Laval |
| Language | English |
| Detected Language | French |
| Type | info:eu-repo/semantics/masterThesis |
| Format | 1 ressource en ligne (xix, 177 pages), application/pdf |
| Rights | info:eu-repo/semantics/openAccess, https://corpus.ulaval.ca/jspui/conditions.jsp |
Page generated in 0.0023 seconds