Projet DeepStim. Modélisation des états de conscience et de leur modulation par la stimulation cérébrale profonde : des données expérimentales aux modèles computationnels

DeepStim Project. Modeling states of consciousness and their modulation by electrical Deep Brain Stimulation : from experimental data to computational models

• Auteur / Autrice : Chloé Gomez
• Direction : Béchir Jarraya, Antoine Grigis
• Type : Thèse de doctorat
• Discipline(s) : Sciences de la vie et de la santé
• Date : Soutenance le 24/05/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Signalisations et réseaux intégratifs en biologie (Le Kremlin-Bicêtre, Val-de-Marne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Neuroimagerie cognitive (Gif-sur-Yvette, Essonne ; 2006-....) - Neuroimagerie Cognitive
• Partenaire(s) de recherche : Référent : Université Paris-Saclay. Faculté de médecine (Le Kremlin-Bicêtre, Val-de-Marne ; 2020-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Life Sciences and Health (2020-….)
• Jury : Président / Présidente : Demian Battaglia
• Jury : Examinateurs / Examinatrices : Jacobo Diego Sitt, Joana Cabral, Gustavo Deco
• Jury : Rapporteurs / Rapporteuses : Demian Battaglia, Jacobo Diego Sitt
• DOI : 10.70675/309f1f97zcd89z4dbdza083z063854347ed9

Mots clés

Mots clés contrôlés

Apprentissage profond

Stimulation cérébrale profonde

Imagerie par résonance magnétique

Apprentissage non supervisé (intelligence artificielle)

Connectivité fonctionnelle

Troubles de la conscience

Mots clés libres

Apprentissage profond

IRM fonctionnelle

Troubles de la conscience

Connectivité dynamique fonctionnelle

Stimulation cérébrale profonde

Réseau de neurones artificiels

Deep learning

Functional MRI

Disorders of consciousness

Dynamic functional connectivity

Deep brain stimulation

Artificial Neural Network

Résumé

Le diagnostic des patients dans le coma est souvent difficile. Les examens cérébraux ren- seignent les médecins sur l’étendue des lésions cérébrales mais ne permettent pas de déterminer avec précision l’état de conscience du patient. De plus, aucune approche thérapeutique ne permet une restauration systématique de la conscience.Des études pionnières menées sur des patients et des Primates Non Humains (PNH) ont montré que la Stimulation Cérébrale Profonde (SCP) des noy- aux intralaminaires du thalamus pouvait restaurer ou améliorer la conscience lorsqu’elle est altérée.Cependant, les conséquences corticales associées à la SCP restent largement inconnues et imprévis- ibles. Les techniques d’imagerie fonctionnelle, telles que l’Imagerie par Résonance Magnétique fonctionnelle de repos (IRMf de repos), peuvent aider à identifier des signatures de la conscience.L’activité cérébrale au repos, organisée en réseaux, peut être modélisée à l’aide de la connectivité fonc- tionnelle. Cette thèse vise à disséquer, à l’aide du modèle PNH, les effets sur la connectivité fonction- nelle d’une modulation de la conscience induite par des agents anesthésiques ou de la SCP à l’échelle du cerveau entier. Cela nécessite le développement de modèles interprétables et prédictifs des effets d’une telle modulation sur la fonction cérébrale globale. Pour identifier les schémas récurrents dominants (c’est-à-dire les différents états du cerveau) à partir de la connectivité fonctionnelle, une technique d’apprentissage automatique non supervisée (K-Means) a été proposée précédem- ment. Dans le cadre de cette thèse, nous dévelop- pons de nouveaux outils d’analyse en tirant parti des avancées des techniques d’apprentissage pro- fond auto-supervisé. Nous émettons l’hypothèse que l’identification de variables latentes dans les signaux IRMf de repos peut nous informer sur la modulation des états de conscience. Tout d’abord, nous cherchons à identifier une signature spatiale, moyennée temporellement, de la conscience à la fois dans l’état éveillé et sous anesthésie. Nous utilisons une méthode de variables latentes qui dé- compose les signaux IRMf de repos en réseaux fonctionnels associés à l’accès conscient. Afin d’étudier la restauration de la conscience, nous étendons cette analyse aux PNH éveillés ou réveil- lés par DBS du thalamus central. Notre mod- èle suggère de manière automatique que le cortex antérieur et le cortex postérieur contribuent tous deux à la conscience, un sujet qui fait débat au sein de la communauté scientifique. En outre, il souligne l’importance des régions clés au sein de l’espace de travail neuronal global, une théorie im- portante concernant l’accès à la conscience. Suite à cette analyse moyennée temporellement, recon- naissant l’importance de la dynamique temporelle dans l’analyse de la conscience, nous proposons de remettre en question les méthodes conven- tionnelles de connectivité fonctionnelle dynamique.Nous utilisons un modèle d’apprentissage profond contrastif pour prédire les schémas cérébraux car- actéristiques de differents états de conscience. Les expériences démontrent que les prédictions du modèle basées sur la connectivité fonctionnelle dy- namique mettent en avant des transitions entre les schémas cérébraux. Enfin, pour mieux comprendre la dynamique des états de conscience, nous nous écartons du cadre conventionnel de classification en sous-groupes et introduisons une méthode de réduction de dimensions. Cette approche vise à condenser ces états en un nombre limité de vari- ables interprétables et explicables. Nos résultats indiquent que l’approche catégorielle traditionnelle ne permet pas de saisir de manière adéquate le con- tinuum de la dynamique des états de conscience.

Diagnosis of patients with coma is of- ten difficult. Brain examinations inform physicians about the extent of brain damage but do not ac- curately determine the patient’s level of conscious- ness. Moreover, no therapeutic approach allows a systematic restoration of consciousness. Pioneer- ing studies in patients and Non-Human Primates (NHP) have shown that Deep Brain Stimulation (DBS) of the intralaminar nuclei of the thalamus could restore or improve consciousness when it is impaired. However, the cortical consequences as- sociated with DBS remain largely unknown and un- predictable. Functional imaging techniques, such as Resting-State functional Magnetic Resonance Imaging (RS-fMRI), can help identify signatures of consciousness. Brain activity at rest, organized into networks, can be modeled using functional connectivity. This thesis aims to dissect, using the NHP model, the effects on functional connectiv- ity of a modulation of consciousness induced by anesthetic agents or DBS on a whole-brain scale.This requires the development of interpretable and predictive models of the effects of such modula- tion on global brain function. To identify domi- nant recurrent patterns (i.e., different brain states) from functional connectivity, an unsupervised ma- chine learning technique (K-Means) has been pre- viously proposed. As part of this thesis, we de- velop new analysis tools by taking advantage of the advances in self-supervised deep learning tech- niques. We hypothesized that identifying latent variables in RS-fMRI signals can inform us about the modulation of states of consciousness. First, we aim to identify a time-averaged spatial signature of consciousness in both the awake state and under anesthesia. This is achieved through a la- tent variables method that decomposes resting- state fMRI signals based on functional networks associated with conscious access. In a transla- tional effort to investigate consciousness restora- tion, we extend this analysis to awake or awak- ened NHPs by DBS of the central thalamus. Our model autonomously suggests that both the ante- rior and posterior cortex contribute to conscious- ness, a debatable topic in the scientific community. Additionally, it underscores the significance of key regions within the global neuronal workspace, a prominent theory regarding conscious access. Fol- lowing this time-averaged analysis, recognizing the critical importance of temporal integration in con- sciousness analysis, we propose to challenge con- ventional dynamic functional connectivity meth- ods. We employ a contrastive deep learning model to predict brain patterns characteristic of various consciousness states. Experiments demonstrate that the model predictions based on dynamic func- tional connectivity facilitate the examination of different transient brain states. Lastly, to gain a deeper understanding of the dynamics of con- sciousness states, we diverge from the conventional subgroup classification framework and introduce a dimension-reduction method. This approach aims to condense these states into a limited number of interpretable and explicable variables. Our findings indicate that the traditional categorical approach inadequately captures the continuum of conscious- ness state dynamics.