Outils pour la Recherche Clinique par cartographie de la connectivité cérébrale fonctionnelle

Les pathologies cérébrales peuvent présenter une grande variété de conséquences comportementales: trouble de la mémoire, du langage, de l’humeur, déficit attentionnel, et ce au sein de la même pathologie. L’imagerie fonctionnelle, qui sonde l’activité cérébrale, semble donc un outil important pour trouver les marqueurs biologiques de ces troubles. Dans des expériences de psychologie cognitive, elle est difficile à mettre en oeuvre en clinique ou sur des patient diminué. C’est pour cela que se développe l’imagerie de l’activité au repos. Il est en effet montré que la structure de l’activité au repos capture des aspects comportementaux ou phénotiques des sujets. La difficulté est de quantifier cela.

Le but du projet NiConnect est de permettre l’utilisation des données d’IRMf (IRM fonctionnelle) de repos pour le diagnostique. Sur ce sujet, le paysage international a beaucoup changé depuis le lancement du projet en 2011. En effet, le IRMf de repos est devenue une technique classique d’imagerie fonctionnelle cérébrale, intégrée dans beaucoup de grandes cohortes, certaines ayant jusqu’à 100 000 sujets. Pour NiConnect, cette évolution augmente l’impact, les techniques développées sont d’une grande utilité, mais aussi a nourri le développement du projet. Ainsi les premières années du projet ont été consacrées à l’amélioration des méthodes statistiques de base pour décrire mieux chaque sujet. Au cours du temps, les développements se sont de plus en plus orientés vers des méthodes inter sujets. Cette progression correspond à la progression prévue initialement dans le projet. Cependant, nous avons pu traiter des populations plus grandes, et avec une grande richesse de description phénotypique ou comportementale. La fin du projet c’est donc fortement orientée sur la performance computationnelle [Mensch 2016], et sur des applications convaincantes pour la psychologie ou la psychiatrie [Abraham 2016, Liem 2017, Rahim 2017]. La librairie logicielle développée pendant le projet, Nilearn, a été orienté en conséquence: performance numérique, utilisation parcimonieuse de la mémoire, et facilité d’utilisation, pour toucher les chercheurs mêmes qui acquièrent et analysent les cohortes. Elle connaît un grand succès, utilisée mondialement pour le traitement de données de repos.

En parallèle, pour ce qui est de l’application du projet, le CATI, plateforme de traitement d’images médicales française, s’est fortement développé et a intégré une pipeline de traitement de données de repos, qui a été testé avec succès sur la cohorte memento du plan Alzheimer. Une application des outils à un essai clinique avec le CHU Henri Mondor (APHP) avait été prévue dans le projet. Cependant, l’essai clinique a pris beaucoup de retard, et nous avons dû faire les validations cliniques sur d’autres données, en particulier des données de cohortes sur l’autisme, la maladie d’Alzheimer, et la Schizophrénie. Les résultats sont prometteurs: sur ces cohortes, nous pouvons prédire la pathologie à partir des données de repos. Les outils développés sont donc efficaces et sont en cours d’adoption rapide par la communauté de recherche médicale.