NeuroPath : un Transformer de voie neurale pour relier les points des connectomes humains

Bien que les technologies d'imagerie modernes nous permettent d'étudier la connectivité entre deux régions cérébrales distinctes in vivo, une compréhension approfondie de la manière dont la structure anatomique soutient la fonction cérébrale, ainsi que de la genèse des fluctuations fonctionnelles spontanées à l'origine de la cognition remarquable, reste encore elusive. Parallèlement, des efforts considérables ont été déployés dans le domaine de l'apprentissage automatique afin d'établir une correspondance non linéaire entre les données d'imagerie cérébrale et les traits phénotypiques. Toutefois, l'absence de perspectives neuroscientifiques dans les approches actuelles pose des défis majeurs pour comprendre le comportement cognitif à partir des activités neurales transitoires. Pour relever ce défi, nous nous concentrons sur le mécanisme de couplage entre la connectivité structurelle (SC) et la connectivité fonctionnelle (FC), en reformulant cette question de neuroscience des réseaux sous la forme d'un problème d'apprentissage de représentation graphique expressive permettant de capturer la topologie de haut ordre. Plus précisément, nous introduisons le concept de « détour topologique » pour caractériser la manière dont une instance ubiquitaire de FC (lien direct) est soutenue par des voies neuronales (détour) physiquement câblées par la SC, formant ainsi une boucle cyclique interagissant entre structure et fonction cérébrales. Dans l'optique classique de l'apprentissage automatique, le chemin de détour à plusieurs sauts sous-jacent au couplage SC-FC nous permet de concevoir un nouveau mécanisme d'attention auto-orientée à plusieurs têtes au sein du modèle Transformer, afin de capturer des représentations de caractéristiques multimodales à partir de paires de graphes SC et FC. Ensemble, nous proposons un modèle profond inspiré par la biologie, baptisé NeuroPath, capable de découvrir des représentations connectomiques potentielles à partir de quantités sans précédent d'images cérébrales, pouvant être intégrées à diverses applications en aval telles que la reconnaissance de tâches ou le diagnostic de maladies. Nous avons évalué NeuroPath sur de grands jeux de données publics, notamment HCP et UK Biobank, dans des scénarios supervisés et d'apprentissage zéro-shot, où les performances au niveau de l'état de l'art démontrées par notre modèle indiquent un potentiel considérable pour la neuroscience des réseaux.