Informations

Dois-je signaler toutes les régions anatomiques d'un grand groupe significatif identifié dans l'analyse de la connectivité fonctionnelle graine-voxel ?

Dois-je signaler toutes les régions anatomiques d'un grand groupe significatif identifié dans l'analyse de la connectivité fonctionnelle graine-voxel ?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Je mène une analyse de graine à voxel de connectivité fonctionnelle à l'état de repos sur les 25 participants de l'ensemble de données test-retest de NYC à l'aide de la boîte à outils CONN avec le cortex cingulaire postérieur du réseau en mode par défaut comme région de départ.

J'utilise un seuil de "hauteur" libéral non corrigé au niveau du voxel de p < 0,001 avec un seuil "d'étendue" corrigé au niveau du cluster p-FDR de p < 0,05, ce qui est recommandé lorsque les effets attendus sont distribués/larges mais faibles par opposition à focal et fort (quand un seuil de "hauteur" de niveau voxel corrigé par p-FDR ou FWR est recommandé à la place) selon le développeur de la boîte à outils CONN (https://www.nitrc.org/forum/forum .php?th… .).

J'ai recherché la littérature sur laquelle ces recommandations sont basées mais je n'ai trouvé que des raisons tangentielles et rien de concret (bien sûr, avoir un seuil de niveau de voxel plus libéral permettrait de détecter des effets plus faibles car la puissance statistique augmente pour la même taille d'échantillon). Si quelqu'un a une référence pour ces recommandations spécifiques, je lui serais reconnaissant de pouvoir la partager car le développeur de la boîte à outils CONN les a exprimées dans plusieurs articles, il doit donc s'agir d'une sorte de norme.

Ma première question porte sur la pertinence de cette convention de seuillage pour mon cas particulier.

Alors que la connectivité graine à voxel pendant l'état de repos peut être considérée comme distribuée lorsque l'analyse est effectuée sur l'ensemble du cerveau et qu'aucune prédiction a priori n'est faite car les réseaux à grande échelle (par exemple, le réseau en mode par défaut) sont identifiables pendant le repos, je Je ne suis pas certain que la connectivité pendant l'état de repos soit nécessairement "faible" comme le supposent les recommandations.

La raison de ce doute est le fait de savoir que le signal BOLD pendant une activité liée à une tâche est très faible par rapport au bruit, jusqu'à 80% de la modulation BOLD étant rejetée en tant que bruit (1ère référence ci-dessous). D'autre part, précisément les fluctuations spontanées à basse fréquence du signal BOLD qui sont rejetées comme du bruit dans l'IRMf de tâche sont considérées comme des signaux d'intérêt dans l'IRMf à l'état de repos.

De cela, je m'attendrais à des effets plus forts pendant le repos par rapport à la tâche, donnant un rapport d'environ 80:20. Donc peut-être que dans mon cas, supposer que les effets sont faibles n'est pas justifié à moins que je manque quelque chose (par exemple, même si les activations peuvent être plus fortes pendant le repos, les corrélations peuvent ne pas être nécessairement aussi plus fortes).

Ma question principale (en supposant que j'ai utilisé des critères de seuillage appropriés) est de savoir si je dois signaler TOUTES les zones anatomiques au sein d'un groupe significativement identifié lors de la rédaction d'un article. La raison pour laquelle je pose la question est que le groupe le plus important (sur 16) dans mon analyse couvre plus de trente zones anatomiques définies par l'atlas et sa taille est de 50 574 voxels, couvrant une énorme partie du néocortex.

Existe-t-il une convention concernant les zones de déclaration au sein d'un cluster - dois-je déclarer toutes ou seulement, par exemple, les cinq premières ? Je suis tombé sur une recommandation de signaler uniquement la zone générale (par exemple, l'hémisphère gauche) lorsque le cluster est grand, car il n'est pas clair quelles régions anatomiques sont vraiment corrélées et lesquelles sont des faux positifs (2e référence ci-dessous).

Le problème avec cela est que je ne sais pas vraiment comment appeler cette énorme partie du néocortex (par exemple, juste le cerveau antérieur ?) pense que mon seuil est trop libéral.

Est-ce que je les signale simplement comme ceci : cluster un (MNI du voxel le plus actif, taille, valeur p de l'étendue au niveau du cluster), etc., sans faire référence à l'emplacement anatomique des clusters eux-mêmes ?

Merci!

Smitha KA, Akhil Raja K, Arun KM et al. IRMf à l'état de repos : examen des méthodes d'analyse de la connectivité à l'état de repos et des réseaux à l'état de repos. Neuroradiol J. 2017;30(4):305-317. doi:10.1177/1971400917697342

Woo, C.-W., Krishnan, A., & Wager, T. D. (2014). Seuils basés sur l'étendue des grappes dans les analyses IRMf : pièges et recommandations. NeuroImage, 91, 412-419. doi:10.1016/j.neuroimage.2013.12.058


Résultats

Méta-analyse ALE des études VBM

Dans la méta-analyse des études VBM rapportant des réductions de la matière grise chez les lecteurs dyslexiques, nous avons trouvé six groupes de convergence significative entre les études (voir Tableau 2 Figure 1). Le plus grand amas était situé dans le gyrus fusiforme de l'hémisphère gauche s'étendant dans le gyrus temporal inférieur gauche. D'autres amas ont été trouvés bilatéralement dans le gyrus supramarginal et dans le cervelet. Dans l'hémisphère droit, l'amas supramarginal s'étendait dans l'opercule pariétal et s'accompagnait d'un amas supplémentaire dans la partie postérieure du gyrus temporal supérieur.


3. RÉSULTATS

3.1 Associations entre diversité microbienne, connectivité fonctionnelle et comportements

Les modèles de corrélation par paires entre les réseaux fonctionnels sont illustrés sur la figure 3a. Des connectivités fonctionnelles interréseaux positives et négatives ont été observées. Les analyses de corrélation ont révélé des corrélations significatives entre l'indice de Simpson et la connectivité fonctionnelle de l'interréseau (p <.05, FDR corrigé Figure 3b). Plus précisément, l'indice de Simpson était positivement corrélé avec la connectivité fonctionnelle entre pDMN et rFPN (t = 2.47, p = .0145), entre pDMN et AN (t = 2.68, p = .0082), entre rPFN et DAN (t = 3.50, p = .0006), entre rPFN et dSMN (t = 2.69, p = .0081), entre rPFN et mVN (t = 3.08, p = 0,0024), et entre rPFN et lVN (t = 2.90, p = .0044), ainsi qu'en corrélation négative avec la connectivité entre aDMN et lFPN (t = −2.57, p = .0111), entre ECN et lVN (t = −2.46, p = .0150), entre lFPN et rFPN (t = −2.75, p = .0067), entre DAN et pVN (t = −2.98, p = 0,0033), et entre dSMN et pVN (t = −2.65, p = .0089). Cependant, il n'y avait pas de corrélations significatives entre la connectivité fonctionnelle de l'interréseau et d'autres indices de diversité microbienne.

En ce qui concerne la qualité du sommeil, le score total de PSQI s'est avéré positivement corrélé avec la connectivité pDMN-AN (pr = .188, p = .020 Figure 4a) et corrélée négativement avec la connectivité lFPN-rFPN (pr = −.181, p = 0,024 Figure 4b). D'autres analyses de médiation ont révélé que pDMN-AN (effet indirect = 1,0161, erreur standard [SE] = 0,5654, IC à 95 % : 0,2068, 2 6003) et lFPN-rFPN (effet indirect = 1,0103, SE = 0,6048, IC à 95 % : 0,1653, 2,9731) la connectivité médie la relation entre l'indice de Simpson et le score total de PSQI (Figure 5a,b). En termes de mémoire de travail, il y avait une corrélation négative significative entre la connectivité rFPN-mVN et le temps de réaction 3-back (pr = −.171, p = .034) (Figure 4c). De même, la connectivité rFPN-mVN médie la relation entre l'indice de Simpson et le temps de réaction 3-back (effet indirect = -86,5227, SE = 49,2462, IC à 95 % : -225,4941, -17,6657 Figure 5c). En ce qui concerne l'attention, nous avons trouvé une corrélation positive significative entre la connectivité DAN-pVN et l'étendue des chiffres vers l'avant (pr = .162, p = .045 Figure 4d). Une analyse plus poussée de la médiation a montré que la connectivité DAN-pVN médiait la relation entre l'indice de Simpson et l'étendue des chiffres vers l'avant (effet indirect = -0,6029, SE = 0,3796, IC à 95 % : -1,6530, -0,0498 Figure 5d).

Les analyses de connectivité fonctionnelle intraréseau au niveau des voxels ont démontré des corrélations positives significatives entre l'indice Ace et la connectivité intraréseau dans le cortex préfrontal latéral bilatéral (LPFC) (à gauche : taille du cluster = 47 voxels, coordonnée MNI maximale X/oui/z = -45/48/0, pic t = 5,02 à droite : taille du cluster = 45 voxels, coordonnée MNI du pic X/oui/z = 51/27/27, pic t = 5,28) de l'ECN (Figure 6a), entre l'indice Chao et la connectivité intraréseau dans le LPFC bilatéral (à gauche : taille du cluster = 37 voxels, coordonnée MNI du pic X/oui/z = -45/48/0, pic t = 4,70 à droite : taille du cluster = 34 voxels, coordonnée MNI du pic X/oui/z = 54/27/27, pic t = 4,85) de l'ECN (Figure 6b) et entre l'indice Sobs et la connectivité intraréseau dans le LPFC bilatéral (à gauche : taille du cluster = 35 voxels, coordonnée MNI maximale X/oui/z = -45/48/0, pic t = 4,85 à droite : taille du cluster = 35 voxels, coordonnée MNI du pic X/oui/z = 54/27/27, pic t = 4,79) de l'ECN (Figure 6c), ainsi qu'une corrélation négative significative entre l'indice de Shannon et la connectivité intraréseau dans le gyrus angulaire droit (AG) (taille du cluster = 30 voxels, coordonnée MNI maximale X/oui/z = 36/−63/39, pic t = -4,26) du rFPN (Figure 6d p <.05, FWE au niveau du cluster corrigé). Cependant, il n'y avait pas de corrélations significatives entre la connectivité fonctionnelle intraréseau et les variables comportementales.

3.2 Associations entre entérotypes, connectivité fonctionnelle et comportements

Tous les échantillons ont été regroupés en trois entérotypes bien appariés (figure 7a et tableau 2). Les genres Prevotella, Ruminococcaceae et Bacteroides ont été considérés comme des identificateurs d'entérotypes (entérotypes P, R et B) car ils présentaient la plus grande variation d'abondance, coïncidant avec des études antérieures (Arumugam et al., 2011 Falony et al., 2016 Vieira-Silva et al., 2016 ).

Caractéristiques P-entérotype R-entérotype B-entérotype Statistiques p valeur
Nombre de sujets 51 37 69
Genre féminin masculin) 24/27 21/16 32/37 ?? 2 = 1.16 .561 a a Le p La valeur a été obtenue par le test du Chi carré de Pearson.
Années d'âge) 22.55 ± 2.39 21.78 ± 2.27 22.45 ± 2.49 F = 1.24 .291 b b Le p valeur a été obtenue par ANOVA à un facteur.
Éducation (années) 15.96 ± 1.93 15.54 ± 1.86 15.78 ± 1.96 F = 0.51 .602 b b Le p valeur a été obtenue par ANOVA à un facteur.
IMC (kg/m 2 ) 21.76 ± 3.95 21.25 ± 2.47 21.30 ± 2.93 F = 0.39 .680 b b Le p valeur a été obtenue par ANOVA à un facteur.
FD (mm) 0.13 ± 0.07 0.12 ± 0.04 0.12 ± 0.04 F = 1.22 .299 b b Le p valeur a été obtenue par ANOVA à un facteur.
  • Noter: Toutes les valeurs sont exprimées en moyenne ± écart type.
  • Abréviations : B, bacteroides BMI, body mass index FD, frame-wise shift P, prevotella R, ruminococcaceae.
  • un Le p La valeur a été obtenue par le test du Chi carré de Pearson.
  • b Le p valeur a été obtenue par ANOVA à un facteur.

L'ANOVA à sens unique a révélé des différences significatives dans la connectivité intraréseau dans le cortex orbitofrontal gauche (taille du cluster OFC = 26 voxels, coordonnée MNI maximale X/oui/z = −33/39/−9, pic F = 9,58) du lFPN sur trois entérotypes (Figure 7b p <.05, FWE au niveau du cluster corrigé). Les post-hoc des comparaisons par paires ont démontré que les participants avec les entérotypes P et R présentaient une connectivité intraréseau accrue dans l'OFC gauche de l'IFPN par rapport à ceux avec l'entérotype B (Figure 7c). L'analyse de corrélation avec les comportements a mis en évidence une corrélation positive significative entre RT_Go et la connectivité intraréseau dans l'OFC gauche (pr = .163, p = .044) (Figure 7d). Une analyse plus poussée de la médiation a montré que la connectivité intraréseau dans l'OFC gauche médiait la relation entre les entérotypes et RT_Go (effet indirect = -5,6488, SE = 2,8203, IC à 95 % : -12,4103, -0,9175 Figure 7e). Cependant, aucune différence significative dans la connectivité fonctionnelle interréseaux n'a été observée entre trois entérotypes.

3.3 Analyse de sensibilité

Après ajustement supplémentaire pour l'IMC, nos principaux résultats ont été conservés, à savoir les corrélations entre la diversité alpha et la connectivité fonctionnelle (tableau S2) et les différences de connectivité intraréseau entre les entérotypes (F = 12.501, p <.001) est resté inchangé. De même, en incluant les scores DNHQ et IPAQ comme nuisances supplémentaires, les corrélations entre la diversité alpha et la connectivité fonctionnelle (tableau S3) et les différences de connectivité intraréseau entre les entérotypes (F = 12.137, p <.001) est resté inchangé, ce qui suggère que les habitudes alimentaires et l'exercice physique n'ont pas influencé nos résultats.


Conclusion

Le déclin cognitif subjectif est un précurseur putatif de la démence marqué par un déficit perçu des capacités cognitives non corroboré par une évaluation formelle. La présente analyse a observé qu'un degré plus élevé d'auto-évaluation des SCD prédisait une diminution de la FC entre les composants du réseau en mode par défaut et une augmentation de la FC entre les composants du réseau en mode saillance et en mode par défaut. Une plus grande dédifférenciation du réseau dans la SCD peut refléter un vieillissement « accéléré » du cerveau. En outre, cette étude fournit un soutien supplémentaire selon lequel la SCD peut être un précurseur de la démence, car des changements cérébraux subtils similaires à ceux observés dans la MA ont été observés ici. Les changements de FC en l'absence de changements cognitifs suggèrent que des altérations cérébrales qui sous-tendent l'expérience du déclin, et pourraient refléter la progression de la démence naissante, peuvent apparaître avant que l'évaluation cognitive ne soit suffisamment sensible pour détecter un déficit objectif.


RÉSULTATS

Nous avons d'abord évalué si la réponse BOLD dans la zone échantillonnée du cortex visuel humain était modulée de manière significative par la présence de taches d'image cohérentes par rapport à non cohérentes. Une analyse GLM univariée a révélé des grappes bilatérales d'activité significativement élevée (p < .01 seuil de hauteur, non corrigé, suivi de p < 0,05 seuil de cluster, FWE corrigé) dans les régions dorsales du cortex visuel de niveau moyen, comme le montre la figure 4 (en haut). L'activation la plus importante a été observée à proximité des régions rétinotopiques LO1/2 et s'étendant dorsalement vers (et au-delà, dans l'hémisphère droit) la limite de l'aire visuelle V3A/B. La précision maximale dans cette région est cohérente avec un emplacement associé au sillon occipital transverse (TOS), qui est ventral par rapport à la représentation V3A/B du méridien vertical inférieur (Nasr et al., 2011). Une activation significative était également présente dans la dorsale V3 et, dans l'hémisphère droit, légèrement dans la dorsale V2. Cependant, une telle activité dorsale apparente V2 et V3 peut être un débordement des zones voisines, en particulier étant donné l'absence d'un cluster d'activation de contrepartie attendu dans les V2 et V3 ventraux. Lorsque cette analyse univariée au niveau du groupe a été évaluée au niveau d'un seul participant, une variation du profil spatial des différences d'activité entre les participants a été observée, mais les résultats de l'analyse au niveau du groupe étaient qualitativement présents entre les participants (comme le montre la figure 5).

Résultats de l'analyse univariée et multivariée au niveau du groupe. Les panneaux supérieurs montrent les nœuds de surface avec une réponse significativement accrue aux conditions de stimulus cohérentes par rapport aux conditions de stimulus non cohérentes, colorées en fonction de l'amplitude du régresseur de stimulus cohérent dans l'analyse GLM (unités arbitraires). Les panneaux du bas montrent les nœuds de surface avec des performances nettement supérieures au hasard dans la classification des conditions de stimulus cohérentes par rapport à non cohérentes, colorées en fonction du niveau de précision (%). La signification des résultats univariés et multivariés a été déterminée par un seuil de taille de p < .01 (non corrigé) suivi d'un seuil de cluster de p < .05 (FWE corrigé). Chaque panneau montre une représentation aplatie du cerveau moyen du groupe, avec des lignes sombres montrant les limites entre les zones visuelles rétinotopiques identifiées (selon la figure 2), des lignes pointillées entourant les régions d'activation les plus importantes pour le mouvement et les localisateurs d'objets (selon la figure 3), et des lignes noires en pointillés montrant la limite de la région à partir de laquelle les signaux fonctionnels ont été acquis. Les panneaux de gauche montrent l'hémisphère gauche et les panneaux de droite montrent l'hémisphère droit.

Résultats de l'analyse univariée et multivariée au niveau du groupe. Les panneaux supérieurs montrent les nœuds de surface avec une réponse significativement accrue aux conditions de stimulus cohérentes par rapport aux conditions de stimulus non cohérentes, colorées en fonction de l'amplitude du régresseur de stimulus cohérent dans l'analyse GLM (unités arbitraires). Les panneaux du bas montrent les nœuds de surface avec des performances nettement supérieures au hasard dans la classification des conditions de stimulus cohérentes par rapport à non cohérentes, colorées en fonction du niveau de précision (%). La signification des résultats univariés et multivariés a été déterminée par un seuil de taille de p < .01 (non corrigé) suivi d'un seuil de cluster de p < .05 (FWE corrigé). Chaque panneau montre une représentation aplatie du cerveau moyen du groupe, avec des lignes sombres montrant les limites entre les zones visuelles rétinotopiques identifiées (selon la figure 2), des lignes pointillées entourant les régions d'activation les plus importantes pour le mouvement et les localisateurs d'objets (selon la figure 3), et des lignes noires en pointillés montrant la limite de la région à partir de laquelle les signaux fonctionnels ont été acquis. Les panneaux de gauche montrent l'hémisphère gauche et les panneaux de droite montrent l'hémisphère droit.

Résultats univariés à un seul participant. Chaque panneau affiche les valeurs bêta du contraste cohérent et non cohérent pour chaque participant (lignes) et hémisphère (colonnes). Les valeurs sont affichées à un seuil de signification statistique de p < 0,001 (non corrigé) sur une représentation aplatie du cerveau moyen du groupe. Les marques de lignes sont conformes à la figure 4, à l'exception du participant 4 (P4) pour lequel le contour vert montre les limites du TOS telles qu'elles sont estimées à partir d'un localisateur fonctionnel du réseau de scènes. Notez que les lignes pointillées représentent l'étendue de la couverture d'acquisition commune à tous les participants et peuvent donc être dépassées à certains moments par des participants particuliers.

Résultats univariés à un seul participant. Chaque panneau affiche les valeurs bêta du contraste cohérent et non cohérent pour chaque participant (lignes) et hémisphère (colonnes). Les valeurs sont affichées à un seuil de signification statistique de p < 0,001 (non corrigé) sur une représentation aplatie du cerveau moyen du groupe. Les marques de lignes sont conformes à la figure 4, à l'exception du participant 4 (P4) pour lequel le contour vert montre les limites du TOS telles qu'elles sont estimées à partir d'un localisateur fonctionnel du réseau de scènes. Notez que les lignes pointillées représentent l'étendue de la couverture d'acquisition commune à tous les participants et peuvent donc être dépassées à certains moments par des participants particuliers.

Nous avons ensuite cherché à savoir si la distribution spatiale locale de l'activité BOLD à travers la surface corticale contenait des informations qui pourraient être utilisées pour discriminer l'observation de taches d'images cohérentes et non cohérentes. Nous avons utilisé des techniques MVPA (Haynes & Rees, 2006 Norman, Polyn, Detre, & Haxby, 2006) pour quantifier le contenu représentationnel de petits disques de projecteur (Kriegeskorte et al., 2006) (10 mm de diamètre) centrés à chaque nœud sur la corticale. surface. Comme le montre la figure 4 (en bas), cette analyse a révélé de vastes régions du cortex visuel de niveau intermédiaire avec des modèles d'activité capables de distinguer les conditions de stimulus cohérentes et non cohérentes à des niveaux significativement supérieurs au hasard (p < .01 seuil de hauteur, non corrigé, suivi de p < .05 seuil de cluster, FWE corrigé).Comme pour l'analyse univariée, les profils d'exactitude de l'APMV pour un seul participant (non illustrés) variaient d'un participant à l'autre, mais étaient qualitativement similaires aux résultats de l'analyse MVPA au niveau du groupe.

Les emplacements des régions avec une précision de classification nettement supérieure au hasard sont similaires dans les hémisphères gauche et droit, et nous décrivons des caractéristiques d'intérêt importantes situées par rapport aux frontières des zones visuelles rétinotopiques voisines et par rapport aux régions activées par les localisateurs fonctionnels. Nous commençons à considérer la distribution spatiale d'une précision de classification significative au niveau de la représentation fovéale centrale (voir les panneaux inférieurs de la figure 2 pour la carte de préférence d'excentricité) et en nous déplaçant dorsalement, où nous observons d'abord une précision de classification significative à l'intérieur et à proximité des zones rétinotopiques LO1 et LO2 et la région TOS—conformément aux résultats de l'analyse univariée. Les niveaux significatifs de précision s'étendent dorsalement dans la zone V3A/B et dans les zones du sillon intrapariétal (Swisher, Halko, Merabet, McMains, & Somers, 2007) et dans les directions antérieure et dorsale au-delà de la limite éloignée de LO2. Ce dernier groupe semble être plus dorsal que le complexe du mouvement humain (Kolster, Peeters, & Orban, 2010 Amano, Wandell, & Dumoulin, 2009 Huk, Dougherty, & Heeger, 2002) et peut être une région antérieure de V3B. En passant au cortex dorsal postérieur, nous observons des niveaux significatifs de précision de classification dans une région au-delà des limites d'excentricité lointaines des V2 et V3 dorsaux dans le cortex visuel de bas niveau, qui est susceptible d'être associé au cortex rétrosplénial (RSC Nasr et al., 2011).

En repartant de la représentation fovéale centrale, en se déplaçant ventralement, nous observons un groupe d'une précision significative au sein de hV4. Bilatéralement, cet amas semble être situé dans une région de préférence fovéale de hV4, avec un amas supplémentaire de hV4 à mi-excentricité de préférence présent uniquement dans l'hémisphère droit. Les deux hémisphères présentent des grappes d'une précision significative dans les régions ventrales au-delà des excentricités éloignées de hV4 dans les zones putatives de VO1 (Arcaro et al., 2009 Brewer, Liu, Wade, & Wandell, 2005), avant d'atteindre l'étendue de la couverture cérébrale de notre acquisitions. Il existe également des grappes de précision bilatérales dans le cortex ventral postérieur, au-delà du bord postérieur du hV4, que nous attribuons provisoirement à la grappe temporale inférieure postérieure humaine putative des régions rétinotopiques identifiées par Kolster et al. (2010). Ces clusters se situent dans des régions associées à des niveaux élevés de sélectivité de catégorie (Malach, Levy, & Hasson, 2002) et se chevauchent partiellement avec des régions fonctionnellement localisées préférant intactes par rapport aux objets brouillés (voir Figure 3, milieu).

Pour évaluer la probabilité que de tels résultats univariés et multivariés soient causés par une allocation attentionnelle inégale aux deux conditions, nous avons analysé les réponses des participants à la tâche comportementale pendant le balayage, dans laquelle ils ont jugé si les patchs d'image faisaient partie d'une image cohérente ou non cohérente. et s'ils étaient confiants ou moins confiants dans leur jugement. Lorsque les patchs étaient cohérents, les participants ont répondu cohérent/confiant sur 59,14% (SE = 6,74%), cohérent/moins confiant sur 28,74 % (SE = 4,56 %), incohérent/moins confiant sur 6,85 % (SE = 1,84%, et non cohérent/confiant sur 5,27% (SE = 1,84%) des essais. De même, lorsque les patchs étaient non cohérents, les participants ont répondu non cohérent/confiant sur 66,37 % (SE = 4,77%), incohérent/moins confiant sur 25,33 % (SE = 5,65%), cohérent/moins confiant sur 4,79% (SE = 0,62%), et cohérent/confiant sur 3,52% (SE = 1,26%) des essais. Il n'y avait pas d'interaction statistiquement significative entre les proportions de réponse et la condition de stimulus, F(3, 12) = 0.73, p 0,05. Il n'y avait pas non plus de différence statistiquement significative dans les RT pour les conditions cohérentes et non cohérentes, F(1, 4) = 2.81, p = 0,17, les participants répondant avec une latence moyenne de 712 ms (SE = 32 ms) et 748 ms (SE = 25 msec) pour les essais dans les conditions cohérentes et non cohérentes, respectivement. Ces résultats suggèrent que la capacité, la confiance et l'exécution des participants dans la classification des deux conditions de stimulus n'étaient pas sensiblement différentes pour une présentation cohérente et non cohérente.


4. Discussion

4.1. Interprétation des résultats par domaine cognitif

4.1.1. Mémoire de travail

Une méta-analyse importante a étudié les rôles du domaine du stimulus (verbal, spatial ou objets) et de la complexité cognitive sur les représentations neuronales de la mémoire de travail (Wager & x00026 Smith, 2003). Conformément à d'autres méta-analyses (Owen, McMillan, Laird, & Bullmore, 2005 Smith et al., 2009), les réseaux fronto-pariétals étaient largement associés à la fonction de mémoire de travail indépendante du domaine. Les tâches de mémoire de travail à forte demande cognitive (nécessitant une mise à jour continue des informations, une manipulation active des stimuli ou le maintien de l'ordre de présentation des stimuli) ont entraîné le recrutement de régions en dehors des réseaux fronto-pariétal canoniques, y compris le sillon intrapariétal droit (IPS) ainsi que les cortex frontaux supérieurs bilatéraux. L'IPS et les clusters méta-analytiques frontaux supérieurs rapportés par Wager & Smith englobent largement la région occipitale droite (bordant l'IPS) et les régions DMPFC bilatérales que nous rapportons comme codant pour la performance Digit Span. La plupart des études de connectivité fonctionnelle de la mémoire de travail verbale se sont concentrées sur la connectivité entre les régions à tâches positives au sein du réseau canonique fronto-pariétal (Dima, Jogia, & Frangou, 2014 Honey et al., 2002 Huang et al., 2015 Shen, Zhang, Yao , & Zhao, 2015). Parmi les études portant sur la connectivité inter-réseaux ou l'ensemble du cerveau, Magnuson et al. (2015) ont rapporté qu'une connectivité accrue à l'état de repos entre les réseaux à tâche positive et en mode par défaut correspondait à de moins bonnes performances (plus d'erreurs) sur la tâche de mémoire de travail verbale de la durée de l'opération, et Keller et al. (2015) ont rapporté qu'une plus grande anti-corrélation (c'est-à-dire plus de corrélations négatives au repos) entre les cortex préfrontal médial préfrontal et dorsolatéral correspondait à une plus grande capacité de mémoire de travail verbale. Nos résultats sont donc largement cohérents avec la littérature existante.

Nos résultats de mémoire de travail visuospatiale étaient moins cohérents avec la littérature. Il est à noter que nous rapportons des régressions significatives des performances à la connectivité cérébrale uniquement pour Spatial Span Forward (une tâche de mémoire de travail visuelle simple) mais pas pour Spatial Span Reverse (une tâche de mémoire de travail visuelle plus complexe). Cependant, la distinction entre Spatial Span Forward et Reverse a déjà été contestée avec des preuves que Spatial Span Forward utilise également la mémoire de travail (Wilde & Strauss, 2002). Conformément à cette conclusion, les performances Spatial Span Reverse de nos participants ne différaient pas significativement des performances Spatial Span Forward (contrairement à Digit Span, où les performances de séquençage et de recul étaient toutes deux significativement pires que les performances Forward, toutes deux t(40) < 𢄤, les deux p < 0,001). Wager et Smith (2003) ont rapporté une double dissociation pour les sous-types de mémoire de travail visuelle, avec des stimuli spatiaux codés par le cortex pariétal bilatéral et des stimuli objets codés par le cortex temporal inférieur. Cette dichotomie a été étayée par des études de connectivité fonctionnelle ultérieures (Bray, Almas, Arnold, Iaria, & MacQueen, 2015 Santangelo & Macaluso, 2013). Nous rapportons des résultats apparemment contradictoires de la connectivité fusiforme/PHG droite codant la mémoire de travail spatiale. Cependant, de récents résultats d'EEG suggèrent que la mémoire de travail spatiale est alimentée par de multiples réseaux avec un recrutement modulaire qui varie considérablement avec la demande de tâche (Protopapa, Siettos, Evdokimidis, & Smyrnis, 2014). Par exemple, une tâche de mémoire de travail visuospatiale associée à une réponse à choix forcé à deux alternatives était caractérisée par une connectivité efficace occipito-pariétale, pariétomotrice et pariétofrontale, tandis que la même tâche associée à un mouvement manuel d'un curseur vers l'emplacement cible était caractérisée par une connectivité efficace fronto-pariétale. Des travaux futurs sont nécessaires pour relier la connectivité fonctionnelle aux performances de ces variantes de tâches de mémoire de travail spatiale.

4.1.2. Apprentissage

L'apprentissage se déroule en trois étapes, chacune caractérisée par des contributions neuronales distinctes : le cortex pariétal focalise l'attention sur les stimuli pertinents, le lobe temporal médian (y compris le complexe hippocampique) encode les informations sous forme de souvenirs, et le cortex préfrontal ventrolatéral aide à faire passer les souvenirs à long terme. -mémoire à terme (Nee & Jonides, 2008, 2013 Oztekin, McElree, Staresina, & Davachi, 2009). Conformément à cette théorie, nous rapportons l'apprentissage visuel (performance BVMT-R) codé par la connectivité entre le cortex préfrontal ventrolatéral gauche (VLPFC) et le lobule pariétal supérieur droit (SPL). Plus précisément, le SPL droit a été fortement associé à des déficits de construction visuelle (un sous-processus d'apprentissage visuel) parmi les populations cliniques (Biesbroek et al., 2014 Hoeft et al., 2007 Melrose, Harwood, Khoo, Mandelkern, & Sultzer, 2013). SPL est également fortement impliqué dans l'apprentissage des relations spatiales (Sack et al., 2002 Wang, Yang, et al., 2015 Zago & Tzourio-Mazoyer, 2002), un autre processus sous-composant recruté par les stimuli BVMT-R.

L'apprentissage verbal (performance CVLT) était associé à la connectivité entre le cortex préfrontal rostrolatéral gauche (immédiatement dorsal à la région VLPFC identifiée pour l'apprentissage visuel) et les champs oculaires frontaux droits (BA 8). Bien que les champs oculaires frontaux soient le plus souvent associés à l'apprentissage procédural (Kassubek, Schmidtke, Kimmig, Lucking, & Greenlee, 2001 Rodriguez & Paule, 2009, chap. 12 Schall, Stuphorn, & Brown, 2002), les patients avec des lésions du cortex frontal supérieur de l'hémisphère gauche ou droit ont des performances CVLT plus faibles que les participants en bonne santé ou les patients présentant des lésions non frontales (Albuquerque, Loureiro, & Martins, 2008 Alexander, Stuss, & Fansabedian, 2003 Baldo, Delis, Kramer, & Shimamura, 2002). Ces déficits de performance sont putativement attribués à une mauvaise stratégie cognitive – spécifiquement, la capacité des participants à regrouper les éléments verbaux en quatre catégories sémantiques (𠇊nimal”, “véhicule”, etc.) par rapport au rappel en série (Gershberg & #x00026 Shimamura, 1995 Longenecker et al., 2010). Ce résultat peut donc être spécifique à la performance CVLT et non généralisable à toutes les modalités d'apprentissage verbal. Par exemple, la résection du lobe temporal mésial gauche pour le traitement de l'épilepsie réfractaire du lobe temporal est associée à des déficits d'apprentissage des associés verbaux appariés (Byun & Lee, 2010 Davis, Geller, Rizzuto, & Kahana, 2008 Hori et al. , 2007 Meltzer & Constable, 2005 Saling, 2009). Bien que nous ne rapportions aucune relation significative entre la connectivité au repos et la tâche Verbal Paired Associates au sein de notre échantillon, la littérature existante soutient l'implication des régions du lobe temporal mésial.

4.1.3. Fonction exécutive

L'attention sélective (D-KEFS Stroop) était associée à la connectivité au repos du DLPFC supérieur droit avec l'insula antérieure bilatérale, ainsi qu'à la connectivité du SPL postérieur droit avec le cingulaire antérieur dorsal bilatéral. Le cingulaire antérieur médian, l'insula antérieur bilatéral, le DLPFC bilatéral et le pariétal bilatéral sont des régions canoniques associées à la tâche de Stroop (Banich et al., 2000 Carter, Minzenberg, West, & Macdonald, 2012 Milham & Banich, 2005). Des études de connectivité fonctionnelle ont associé les performances de Stroop à une connectivité réduite (moins positive) au sein du réseau cingulo-insulaire « & x0201csaliency”, à la fois au repos (Duchek et al., 2013) et pendant une tâche Stroop fMRI (Wang, Wang, et al., 2015). Wang, Yang et al. (2015) ont également associé l'augmentation des performances de Stroop à une connectivité accrue (plus positive) au sein du réseau fronto-pariétal « exécutif central ». Alors que notre approche basée sur les données impliquait les mêmes régions que ces études précédentes, nous rapportons Inter-réseau (plutôt que intra-network) comme prédisant les performances de Stroop.

Enfin, la commutation attentionnelle (DKEFS Trails IV) était associée à une connectivité au repos VLPFC droite et SPL gauche. Le Trail Making Test n'a pas été aussi bien étudié que la tâche de Stroop, ce qui a conduit à des résultats de neuroimagerie moins cohérents. Des études de neuroimagerie fonctionnelle ont impliqué le pariétal supérieur bilatéral (Allen, Owens, Fong, & Richards, 2011 Moll, de Oliveira-Souza, Moll, Bramati, & Andreiuolo, 2002), tandis que les études sur les lésions et anatomiques ont impliqué le cortex préfrontal bilatéral. (Lee, Wallace, Raznahan, Clasen, & Giedd, 2014 Muir et al., 2015 Pa et al., 2010 Yochim, Baldo, Nelson, & Delis, 2007). Cependant, un Trail Making Test optimisé pour l'environnement d'IRMf n'a signalé ni atteinte pariétale ni frontale (Jacobson, Blanchard, Connolly, Cannon, & Garavan, 2011). Bien que nos résultats soient partiellement corroborés par la littérature sur l'IRMf basée sur les tâches, nous encourageons néanmoins une interprétation prudente compte tenu des conflits existants.

4.2. Interprétation large des résultats

4.2.1. La connectivité fonctionnelle à l'état de repos code de manière plus fiable les cognitions d'ordre supérieur

Nous rapportons les relations les plus fortes entre la cognition et la connectivité à l'état de repos pour les cognitions d'ordre supérieur de la mémoire de travail, de l'apprentissage et de la fonction exécutive. x00026 Glahn, 2009 Pari & Smith, 2003). Inversement, les cognitions qui ont été fortement associées à des régions ou des réseaux spécifiques du cerveau (tels que moteur, visuospatial et langage) n'ont montré aucune relation significative entre la performance et la connectivité au repos. Nous proposons deux interprétations possibles. Notre première interprétation découle de ces cognitions fortement associées à des réseaux cérébraux spécifiques : cortex moteur et prémoteur pour le comportement moteur, flux visuel dorsal pour la conscience visuelle et gyri temporel supérieur bilatéral pour le langage (Barch et al., 2013). Ces réseaux ont des représentations très stables (c'est-à-dire intra- connectivité réseau) pendant la tâche et le repos (Smith et al., 2009) et peut donc nécessiter des « challenges basés sur les tâches » pour induire des interactions entre les réseaux qui codent ensuite les différences individuelles de performance. Par exemple, plusieurs études ont lié les performances des tâches d'attention visuelle à la connectivité basée sur les tâches entre les réseaux visuels préfrontal, pariétal supérieur et dorsal (Baldassarre et al., 2012 Vossel, Weidner, Driver, Friston, & Fink, 2012 Wen, Yao, Liu, & Ding, 2012). Ainsi, notre conclusion selon laquelle la connectivité à l'état de repos code de manière plus fiable les cognitions d'ordre supérieur est réalisée indépendamment de la littérature sur la connectivité fonctionnelle basée sur les tâches.

Notre deuxième interprétation (et non mutuellement exclusive) est que les instruments échantillonnant des cognitions d'ordre supérieur peuvent avoir une plus grande sensibilité à la variance normative que les instruments échantillonnant des cognitions d'ordre inférieur ou spécifiques à un domaine. Cette interprétation est probablement vraie pour certains domaines cognitifs comme la mémoire, où deux de nos trois tests (BVMT-R et VPA) ont montré de forts effets de plafond au sein de notre échantillon. Cependant, cette interprétation ne s'applique pas aux cognitions telles que les performances motrices, où trois mesures indépendantes (Halstead-Reitan Finger tapping, LaFayette Grooved Pegboard et D-KEFS Trails subtest V) avaient des performances normalement distribuées mais aucune relation avec la connectivité cérébrale à l'état de repos. . Alors que la vitesse de tapotement du doigt a déjà été associée à la connectivité à l'état de repos (Seidler et al., 2015), ces résultats étaient quelque peu modestes (|t-scores| < 4) étant donné la taille de l'échantillon (m = 191 adultes âgés de 64 ans et plus), suggérant une faible taille d'effet pour les représentations de l'état de repos de la capacité motrice. Nous soutenons donc que la connectivité à l'état de repos a une plus grande puissance (c'est-à-dire des tailles d'effet plus grandes) pour caractériser la variance individuelle dans les cognitions d'ordre supérieur telles que la mémoire de travail, l'apprentissage et la fonction exécutive. Cette hypothèse sera explorée en profondeur dans des travaux futurs évaluant des tâches cognitives plus complexes telles que le test de tri des cartes du Wisconsin et le test D-KEFS Tower.

4.2.2. Les relations entre les performances et la connectivité à l'état de repos étaient systématiquement négatives

Toutes les régressions significatives de la performance à la connectivité à l'état de repos étaient caractérisées par des corrélations modérément positives (ρ

0,3 à 0,5) chez les élèves peu performants et corrélations faiblement à modérément négatives (ρ

𢄠.2 à 𢄠.4) parmi les plus performants. Chaque régression impliquait des régions avec des preuves solides de recrutement basé sur les tâches par la cognition correspondante. Nous interprétons ces résultats comme la preuve que l'indépendance fonctionnelle au repos facilite largement les capacités cognitives. Cette interprétation est cohérente avec les récentes analyses théoriques des graphes de l'organisation fonctionnelle du cerveau, qui représentent de plus en plus le cerveau comme des réseaux modulaires de régions cérébrales indépendantes qui subissent une réorganisation fonctionnelle dynamique en réponse à la demande cognitive (Crossley et al., 2013 Di, Gohel, Kim, & #x00026 Biswal, 2013 Meunier, Lambiotte, & Bullmore, 2010). Nos résultats s'appuient sur cette théorie en suggérant que les régions avec une connectivité modérément positive au repos peuvent être « cyokées » ensemble et donc moins capables de se réorganiser dynamiquement sous une forte demande cognitive, tandis que les régions avec une connectivité faiblement négative sont plus indépendantes au repos et donc mieux capable de se réorganiser avec la demande cognitive.

4.2.3. Mises en garde et limitations

Bien que ces évaluations de neuropsychologie clinique soient l'étalon-or pour l'évaluation clinique, plusieurs instruments possèdent une plage dynamique relativement étroite qui peut les rendre sous-optimaux en tant que régresseurs statistiques de la connectivité de l'état de repos. Par exemple, les performances de Digit Span et Spatial Span au sein de cet échantillon normatif se composaient de variables discrètes allant de 5� et 5– 12, respectivement. Les régressions utilisant ces instruments avaient des scores d'erreur quadratique moyenne normalisée (NRMSE) plus faibles (0,029𠄰,039) que les instruments avec une plus grande plage dynamique tels que D-KEFS Stroop (scores NRMSE 0,012𠄰,014), ce qui suggère qu'une mauvaise dynamique la plage peut limiter la puissance prédictive des instruments. Les travaux futurs exploreront si des mesures non standardisées mais continues de la mémoire de travail, telles que m-précision arrière, servent de meilleurs prédicteurs de la relation cerveau-comportement.


Fond

Il existe de nombreuses preuves que le thalamus est anormal dans les troubles psychotiques.L'imagerie par résonance magnétique fonctionnelle à l'état de repos a révélé un modèle intrigant de déconnectivité thalamique dans la psychose caractérisée par une connectivité réduite du cortex préfrontal (PFC) et une connectivité somatomotrice-thalamique accrue. Cependant, des lacunes critiques dans les connaissances subsistent en ce qui concerne l'apparition, la spécificité anatomique et les corrélats cliniques de la déconnectivité thalamique dans la psychose.

Méthodes

L'imagerie par résonance magnétique fonctionnelle à l'état de repos a été recueillie sur 105 sujets sains et 148 personnes atteintes de psychose, dont 53 patients atteints de psychose à un stade précoce. En utilisant les 253 sujets, le thalamus a été divisé en régions fonctionnelles d'intérêt (ROI) sur la base de la connectivité avec six ROI corticales définies a priori couvrant la majeure partie du manteau cortical. La connectivité fonctionnelle entre chaque ROI corticale et sa ROI thalamique correspondante a été quantifiée et comparée entre les groupes. Les différences significatives dans l'analyse ROI-ROI ont été suivies d'analyses basées sur les graines voxelwise pour localiser davantage la dysconnectivité thalamique.

Résultats

L'analyse du retour sur investissement a révélé une connectivité PFC-thalamique réduite et une connectivité somatomotrice-thalamique accrue chez les patients atteints de psychose chronique et précoce. L'hypoconnectivité des PFC et l'hyperconnectivité du cortex moteur étaient corrélées chez les patients, suggérant qu'elles résultent d'un mécanisme physiopathologique commun. Les analyses basées sur les semences ont révélé une hypoconnectivité thalamique dans la psychose localisée au PFC dorsolatéral, au PFC médial et aux zones cérébelleuses du réseau de contrôle exécutif bien décrit. Dans tous les sujets, la connectivité thalamique avec les zones du réseau fronto-pariétal était en corrélation avec le fonctionnement cognitif, y compris l'apprentissage verbal et la mémoire.

Conclusion

La dysconnectivité thalamocorticale est présente à la fois dans les stades chroniques et précoces de la psychose, comprend une connectivité thalamique réduite avec le réseau de contrôle exécutif et est liée à une déficience cognitive.


2. MATÉRIELS ET MÉTHODES

Cette revue systématique et cette méta-analyse ont été menées et sont rapportées conformément aux lignes directrices PRISMA (Moher et al., 2009) et aux lignes directrices pour les méta-analyses en neuroimagerie (Müller et al., 2018). Les détails sur la stratégie de recherche, la sélection des études, l'évaluation de la qualité et l'extraction des données sont présentés à l'annexe A. L'annexe B présente un organigramme du processus conformément aux directives PRISMA. L'annexe C comprend nos réponses à la liste de contrôle recommandée pour la méta-analyse de neuroimagerie (Müller et al., 2018). L'annexe D fournit un résumé des études incluses dans l'ensemble de données pour la compréhension du SL analysé dans cette étude. L'annexe E fournit un résumé des études incluses dans l'ensemble de données d'observation SLA.

2.1. ALE pour la compréhension SL

Toutes les coordonnées des études rapportant des foyers d'activation dans l'espace de Talairach (Talairach & Tournoux, 1988) ont été converties en espace MNI à l'aide de la transformation de Lancaster telle qu'implémentée dans la boîte à outils GingerALE (Eickhoff et al., 2009, 2012 Turkeltaub et al., 2012) . La conversion des données et les analyses ALE supplémentaires ont été effectuées à l'aide de GingerALE version 2.3.6 (Eickhoff et al., 2017), disponible sur https://brainmap.org/ale. Afin de corriger les effets intra-expérimentaux dérivés de la proximité des foyers, nous avons effectué nos analyses en utilisant la méthode ALE de Turkeltaub plus conservatrice (Turkeltaub et al., 2012). Comme il est d'usage pour les analyses ALE de données fonctionnelles, nous avons utilisé le masque de matière grise plus conservateur de GingerALE. Seuils recommandés de p < .001 (seuil de formation de cluster‐) et 0,05 pour une erreur de famille de niveau de cluster‐level avec 10 000 permutations de seuillage ont été appliqués aux images de sortie (Müller et al., 2018). Les étiquettes anatomiques ont été obtenues en saisissant les coordonnées des pics de notre analyse de cluster dans la SPM Anatomy Toolbox version 2.2c (Eickhoff et al., 2005, 2007). Pour les pics dans les régions non couvertes par la version actuelle de l'Anatomy Toolbox, la BA correspondante a été déterminée à l'aide de la carte MNI� incluse dans Yale BioImaging Suite Web version 1.0.0 (Lacadie, Fulbright, Arora, Constable, & Papademetris, 2008), accessible sur https://bioimagesuiteweb.github.io. Pour cette analyse, l'ensemble de données des foyers de compréhension SL a été utilisé comme entrée dans l'algorithme ALE pour observer la convergence spatiale pour la compréhension SL chez les signataires sourds à travers les études. Les fichiers d'entrée et de sortie sont disponibles dans le cadre du matériel en ligne pour cette étude.

2.2. Indices de latéralisation (cross‐hémisphérique et IFG )

La latéralisation hémisphérique fonctionnelle de la carte de convergence pour la compréhension du SL à partir de la première analyse ALE a été déterminée en calculant un indice de latéralité pondéré (LI), appelé AveLI (Matsuo, Chen, & Tseng, 2012). Une valeur LI représente le degré de latéralisation sur tous les voxels avec des valeurs positives d'une statistique de test donnée dans des volumes d'intérêt choisis (VOI). L'approche classique du calcul d'un LI compte d'abord le nombre de voxels qui dépassent un seuil défini dans un VOI dans chaque hémisphère. Dans un deuxième temps, l'indice est calculé selon la formule standard : (left − right)/(left + right). Ici, nous avons utilisé le soi-disant AveLI comme moyenne de tous les sous-indices calculés en définissant le seuil à la valeur (positive) d'une statistique de test dans chaque voxel au sein du VOI respectif. Par conséquent, AveLI a l'avantage de pondérer chaque voxel par sa valeur dans les statistiques de test d'une manière basée sur les données. Dans cette étude, nous rapportons des AveLI, allant de 1 (complètement à gauche‐latéralisée) à 𢄡 (complètement à droite‐latéralisée). Celles-ci ont été calculées à l'aide du script AveLI (version du 3 avril 2017), disponible sur http://aveli.web.fc2.com. La signification des scores AveLI a été déterminée en mettant en œuvre un test de permutation : les valeurs (c'est-à-dire les scores ALE) de tous les voxels non nuls dans les masques d'entrée ont été réaffectées au hasard dans les masques à travers les hémisphères et entrées dans le script AveLI. Après 1 000 permutations, les données ont été standardisées et le score z‐ converti en un p‐valeur pour déterminer si l'AveLI réellement observé différait significativement des données permutées.

Nous avons d'abord créé des VOI couvrant tout l'hémisphère gauche ou droit en divisant l'espace standard de notre modèle (Colin27_T1_seg_MNI_2x2x2.nii) en moitiés identiques. Ces derniers volumes ont été utilisés pour évaluer l'asymétrie hémisphérique de l'ensemble du cerveau au cours de la compréhension SL. Notre objectif initial était d'évaluer la latéralisation des clusters fonctionnels dans le réseau linguistique central frontotemporal indépendant hypothétique de la modalité hémisphérique gauche et les régions homologues de l'hémisphère droit. Cependant, comme nous n'avons observé que la convergence fonctionnelle pour la compréhension du SL dans l'IFG bilatéral, mais pas dans le cortex temporal postérieur bilatéral, nous avons limité les analyses supplémentaires aux sous-régions pertinentes pour la langue de l'IFG. Pour caractériser la latéralisation des clusters fonctionnels en termes neuroanatomiques dans l'IFG, nous avons effectué nos analyses à l'aide de cartes cytoarchitectoniques probabilistes de la zone de Broca, qui se compose de la zone postérieure 44 et de la zone plus antérieure 45 (Amunts et al., 2010 Zilles & Montants, 2018). Ces VOI définis cytoarchitectoniquement (Amunts et al., 1999) ont été extraits de la SPM Anatomy Toolbox (Eickhoff et al., 2005, 2007). De plus, nous avons créé un masque composite de la zone de Broca et de son homologue hémisphérique droit en combinant les cartes des zones 44 et 45. Les détails des VOI anatomiques sont décrits dans l'annexe F. Ces VOI ont été utilisés comme VOI primaires pour les analyses de latéralisation. à l'IFG.

2.3. Analyse de chevauchement de masse dans l'IFG

La carte de convergence fonctionnelle obtenue à partir de l'analyse ALE de la compréhension du SL a été utilisée pour effectuer une analyse de chevauchement de masse dans l'IFG bilatéral afin d'explorer plus avant la distribution spatiale sous-régionale de ces groupes fonctionnels. Les études de neuroimagerie de SWL au cours des dernières décennies ont produit un certain nombre de modèles en ce qui concerne la base neuroanatomique du langage, qui ont tous mis en évidence le rôle de l'IFG gauche et en particulier de l'aire de Broca en tant que région principale liée à la langue intégrée dans un réseau linguistique plus large ( Friederici, 2011 Friederici et al., 2017 Hagoort, 2017). Des résultats similaires ont été rapportés pour des études sur le SL, alors que de nombreuses études rapportent également l'implication de l'hémisphère droit et de l'IFG droit dans la compréhension du SL (Campbell et al., 2007 Emmorey, 2015 MacSweeney, Capek, Campbell, & Woll, 2008). Comme mentionné ci-dessus, nous n'avons observé que la convergence fonctionnelle bilatérale dans l'IFG postérieur en tant que seule région directement pertinente pour la langue, c'est pourquoi cette analyse a été limitée à la zone de Broca et à ses sous-régions ainsi qu'aux homologues de l'hémisphère droit. Pour obtenir une caractérisation neuroanatomique précise de la masse de distribution observée dans l'IFG, les VOI définis cytoarchitectoniquement des zones gauche et droite 44, zone 45, et les masques composites de la zone de Broca et de son homologue hémisphérique droit (voir Annexe F) ont été utilisés comme volumes pour cette analyse. Les VOI respectifs ont d'abord été transformés dans l'espace de notre modèle MNI (Colin27_T1_seg_MNI_2x2x2.nii) puis multipliés par les clusters IFG gauche ou droit extraits de la carte de convergence.

2.4. ALE pour l'observation SLA

Dans cette analyse, nous avons testé l'ensemble de données d'observation SLA dérivé d'une méta-analyse indépendante (Papitto, Friederici, & Zaccarella, 2020), comme décrit dans l'annexe A. Ici, nous avons cherché à déterminer les régions cérébrales recrutées chez des sujets (entendants). lors du traitement de stimuli visuels montrant des humains effectuant des actions manuelles et faciales dépourvues de contenu linguistique. Les paramètres de cette analyse ALE étaient identiques à ceux rapportés par l'analyse ALE de la compréhension du SL, à l'exception de l'ensemble de données d'entrée.

2.5. Analyse de contraste et de conjonction entre la compréhension SL et l'observation SLA

L'objectif était d'identifier les voxels uniques et se chevauchant dans les deux ensembles de données qui avaient été précédemment entrés dans les deux analyses ALE. En comparant ces deux ensembles de données provenant de groupes ayant des statuts auditifs différents, nous adaptons une pratique établie dans le domaine (par exemple, Bavelier et al., 1998 Capek et al., 2010 MacSweeney, Woll, Campbell, Calvert, et al., 2002 MacSweeney, Woll , Campbell, McGuire et al., 2002 Neville et al., 1998) à un niveau méta-analytique tout en veillant à ce que les matériaux de stimulation observés soient au maximum similaires (voir l'annexe A). L'observation de la compréhension SL par contraste a révélé des voxels spécifiques aux aspects linguistiques de la compréhension SL, tandis que le contraste inverse a montré des voxels spécifiques à l'observation SLA. L'analyse de conjonction a identifié des voxels où les deux ensembles de données ont montré une convergence, indiquant ainsi des régions non linguistiques recrutées pour le traitement des propriétés visuospatiales des stimuli. Toutes les analyses ont été effectuées dans GingerALE. L'analyse de contraste dans GingerALE est implémentée de manière à corriger les tailles d'étude en permutant les données (nous avons utilisé 10 000 permutations de seuillage). L'analyse donne des images de contraste qui rapportent des scores z montrant une signification au lieu de valeurs p, ce qui serait plus difficile à interpréter dans ce contexte. Seuils standards de p < .001 (seuil de formation de cluster‐), p < .05 pour l'inférence de niveau de cluster‐, et une taille de cluster minimale de 100 mm 3 ont ensuite été appliqués à ces images de sortie. Différente de la procédure statistique utilisée pour l'analyse de contraste, l'analyse de conjonction telle qu'implémentée dans GingerALE utilise simplement la valeur minimale voxel‐wise des images ALE d'entrée pour créer l'image de sortie.

2.6. Méta‐modélisation de la connectivité analytique

Pour caractériser de manière méta-analytique les attributions fonctionnelles et la connectivité des régions cérébrales impliquées de manière unique dans la compréhension du SL identifiées dans l'analyse de contraste, nous avons effectué MACM en utilisant la base de données BrainMap, en adoptant la procédure établie par Laird et al. (2011) pour étudier les modèles de coactivation du cerveau entier à travers une gamme de tâches. Cette approche nous a permis de déterminer le chevauchement entre le réseau SL identifié et le réseau SWL canonique, sans qu'il soit nécessaire d'effectuer une comparaison directe statistiquement injustifiée de l'ensemble de données de compréhension SL à un ensemble inévitablement plus grand d'études de compréhension SWL. Après avoir binarisé les images de contraste, nous avons extrait des grappes individuelles, retranché les images résultantes à la résolution de taille de voxel 1 ×𠂑 ×𠂑 requise par Sleuth et les avons utilisées comme entrée pour différentes recherches dans la base de données BrainMap. Au moment de la recherche (11 mars 2019), la base de données contenait les résultats de 3 406 articles décrivant 16 901 expériences. Toutes les requêtes de base de données utilisaient la version 2.4 de Sleuth, disponible sur http://brainmap.org/sleuth, et étaient limitées à (a) l'emplacement tel que défini par des voxels non nuls dans un cluster à partir du contraste respectif de l'analyse de contraste (b) des sujets sains en définissant le paramètre 𠇎xperiments : Context” IS “Normal Mapping” et (c) uniquement les activations et aucune désactivation en exigeant que 𠇎xperiences : Activations” IS �tivations Only.”

La connectivité méta-analytique d'un VOI donné à travers les études répertoriées dans la base de données BrainMap a été déterminée en effectuant une analyse ALE en utilisant l'ensemble des données de foyers cérébraux provenant d'expériences dans la base de données qui ont montré une coactivation avec le VOI respectif. Ces analyses ALE supplémentaires ont été effectuées avec exactement les mêmes paramètres que ceux décrits pour l'analyse primaire de l'ensemble de données de compréhension SL. En raison de notre dépendance à la méthode ALE de Turkeltaub, qui corrige les effets au sein de l'expérience (Turkeltaub et al., 2012), les résultats de la recherche ont été exportés par groupe de sujets et les doublons ont été supprimés, si nécessaire. Au total, quatre requêtes différentes et analyses ALE consécutives ont été effectuées à l'aide des clusters suivants obtenus dans l'analyse de contraste : comme un cluster dans le PCG gauche associé à l'observation SLA.


La parcellisation fonctionnelle du réseau en mode par défaut : une méta-analyse à grande échelle

Le réseau en mode par défaut (DMN) se compose de plusieurs régions qui interagissent de manière sélective pour prendre en charge des domaines de cognition distincts. Parmi les différents sites qui participent à la fonction DMN, le cortex cingulaire postérieur (PCC), la jonction pariétale temporale (TPJ) et le cortex préfrontal médial (MPFC) sont fréquemment identifiés comme des contributeurs clés. Pourtant, il reste difficile de savoir si ces sous-composants du DMN apportent des contributions uniques à des processus cognitifs et à des problèmes de santé spécifiques. Pour résoudre ce problème, nous avons appliqué une approche de parcellisation méta-analytique utilisée dans des travaux antérieurs. Cette approche a utilisé la base de données Neurosynth et des méthodes de classification pour quantifier l'association entre l'activation de PCC, TPJ et MPFC et des sujets spécifiques liés à la cognition et à la santé (par exemple, la prise de décision et le tabagisme). Nos analyses ont répliqué des observations antérieures selon lesquelles le PCC, le TPJ et le MPFC prennent collectivement en charge plusieurs fonctions cognitives telles que la prise de décision, la mémoire et la conscience. Pour mieux comprendre l'organisation fonctionnelle de chaque région, nous avons divisé chaque région en fonction de son modèle de coactivation avec le reste du cerveau. Cette analyse a indiqué que chaque région pourrait être subdivisée en sous-composants fonctionnellement distincts. Ensemble, nous délimitons davantage la fonction DMN en démontrant les forces relatives d'association entre les sous-composants à travers une gamme de processus cognitifs et de problèmes de santé. Une attention continue à la spécialisation au sein de la DMN permet aux travaux futurs d'examiner les nuances dans les contributions sous-régionales nécessaires à une cognition saine, ainsi que de créer le potentiel de protocoles de traitement plus ciblés dans diverses conditions de santé.


Introduction

Les troubles liés à la consommation d'alcool (AUD) ont une prévalence mondiale élevée et sont associés à un énorme fardeau de santé, ainsi qu'à une mortalité accrue 1,2,3. L'AUD entraîne également des déficiences et des problèmes au travail (par exemple, ne pas répondre aux exigences du travail), un risque élevé de blessures (par exemple, mise en danger ou accidents de la route) et des conséquences négatives dans les contextes sociaux et familiaux (par exemple, négligence des relations sociales, agression envers les membres de la famille) 4 .

Les trajectoires de l'AUD sont caractérisées par des changements dans de nombreux processus cognitifs et affectifs qui jouent un rôle vital dans le développement, le maintien et la rechute des troubles 5,6 . Des niveaux continuellement élevés de consommation d'alcool peuvent entraîner des changements fonctionnels à long terme, tels que des altérations du fonctionnement visuo-spatial, c'est-à-dire la perception et la mémorisation des emplacements 7,8 et des fonctions cognitives supérieures, telles que la maîtrise de soi, la planification, l'inhibition, le raisonnement et régulation explicite des émotions 9,10,11 . Des changements dans les processus affectifs tels que l'instabilité émotionnelle 12 et les troubles de l'humeur peuvent également être liés à une forte consommation d'alcool 13 et pourraient expliquer la forte comorbidité de l'AUD avec les troubles dépressifs 14 . Les altérations des fonctions cognitives et affectives induites par l'AUD sont en outre associées à de moins bons résultats thérapeutiques 14,15.

Entre autres facteurs, les déficiences fonctionnelles de l'AUD peuvent s'expliquer par des changements dans la structure de la matière grise (GM), résultant de la neurotoxicité de l'alcool dans les modes de consommation chronique élevée 16,17,18. De nombreuses études indiquent des réductions du volume GM largement distribuées chez les patients AUD par rapport aux témoins sains 19,20,21,22,23. Les résultats de ces études individuelles se réfèrent à diverses régions corticales et sous-corticales qui sont altérées par la consommation d'alcool. Cependant, les régions cérébrales identifiées varient considérablement selon ces différentes études. L'incohérence des résultats individuels de neuroimagerie peut s'expliquer par les caractéristiques de l'étude telles que la taille de l'échantillon, la comorbidité, la variabilité analytique et expérimentale 24 . Afin d'interpréter les résultats existants et d'intégrer quantitativement les effets dans les études individuelles, des approches méta-analytiques ont été développées 24,25. Jusqu'à présent, trois méta-analyses 26,27,28 ont intégré les résultats d'études qui ont analysé les changements GM chez les patients AUD par rapport aux témoins sains en utilisant la morphométrie à base de voxel (VBM 29). Xiao et al. 26 ont identifié neuf études VBM éligibles (publiées de janvier 2000 à novembre 2014) et ont inclus des données de neuro-imagerie de 269 patients AUD par rapport à 359 témoins sains dans une approche méta-analytique basée sur la taille de l'effet. Leurs cartes méta-analytiques résultantes ont indiqué une réduction significative de la GM dans les deux hémisphères comprenant des parties des cortex préfrontal (PFC), des cortex cingulaire antérieur (ACC), des régions striatale et insulaire et des parties des cortex cingulaire postérieur (PCC) chez les patients AUD par rapport aux patients sains. les contrôles.

Yang et al. 27 ont identifié douze études VBM éligibles (publiées de janvier 2000 à décembre 2014). Ils ont également comparé les différences de GM du cerveau entier entre 433 patients AUD et 498 témoins sains avec une approche méta-analytique basée sur la taille de l'effet. Dans cette méta-analyse, les patients AUD ont montré une diminution de la GM dans l'insula gauche et droite, le gyrus temporal supérieur (STG), le striatum, le gyri précentral, les cortex préfrontaux latéraux dorso (dlPFC), les cortex cingulaire antérieur (ACC) ainsi que le thalamus gauche et l'hippocampe droit, par rapport aux témoins sains.

Une troisième méta-analyse menée par Klaming et al. 28 examine les changements GM partagés à travers l'AUD et le trouble de stress post-traumatique. Ils ont mené des méta-analyses pour chaque condition par rapport à des témoins sains. Ici, nous ne rapportons que les résultats sur le contraste AUD vs HC. Les auteurs ont identifié treize études éligibles (publiées de janvier 2000 à décembre 2017) et inclus les données de 456 patients AUD par rapport à 522 témoins sains dans une autre approche méta-analytique basée sur la taille de l'effet. Leurs résultats indiquent des réductions de GM chez les patients atteints d'AUD dans les cortex cingulaires moyen et antérieur, les insulae et les noyaux lenticulaires et les gyri frontaux supérieurs des deux hémisphères.

En somme, des études antérieures ont montré des changements dans le volume de GM de différentes régions du cerveau qui peuvent faire l'objet de changements fonctionnels dans l'AUD. Trois méta-analyses ont intégré les preuves existantes des changements GM dans l'AUD sur une période de 2000 à 2017. Les résultats des trois méta-analyses indiquent des changements GM situés dans différentes parties du PFC, de l'ACC, du striatum et des insulae. Cependant, les études différaient également considérablement dans leurs résultats. Les conclusions de Xiao et al. 26 des GM réduites dans le cingulum postérieur gauche et droit n'ont pas été répliquées, à la place, Yang et al. 27 ont en outre détecté des altérations GM dans les gyri précentraux gauche et droit ainsi que dans les régions sous-corticales comme le thalamus gauche et l'hippocampe droit. Klaming et al. 28 n'ont pas identifié ces régions sous-corticales, mais des amas supplémentaires dans les gyri frontaux supérieurs gauche et droit. Ces incohérences pourraient être dues à des différences méthodologiques (par exemple, des différences dans les critères d'inclusion ou des seuils statistiques libéraux). De plus, selon les lignes directrices actuelles 25 , les trois méta-analyses sont également sous-alimentées (nombre insuffisant d'études incluses), ce qui présente le risque que les résultats soient motivés par quelques résultats d'études dominants.

Le but de notre étude était donc de revisiter le domaine des changements GM dans l'AUD et de calculer la convergence des résultats individuels à l'aide d'une méta-analyse de pointe. De plus, depuis 2017, de nouvelles études ont continué à enquêter sur les liens entre l'AUD et les changements de GM. L'inclusion d'un plus grand nombre d'études facilite la détection d'effets plus petits, augmente la robustesse aux généralisations et peut aider à résoudre les résultats antérieurs divergents 25,30. L'estimation de la probabilité d'activation (ALE) 30,31,32 a été choisie comme méthode d'analyse. Il assure une excellente pondération spatiale des coordonnées isolées. De plus, nous étendons les résultats antérieurs en caractérisant les clusters ALE résultants en ce qui concerne leur profil comportemental à l'aide de métadonnées de la base de données BrainMap 33 . Cette approche basée sur les données permet de mieux comprendre les profils comportementaux liés à l'AUD. Enfin, nous effectuons une analyse de modélisation de connectivité méta-analytique (MACM) 34,35 en utilisant la même base de données pour déterminer dans quels réseaux de neurones les clusters résultants pourraient représenter des nœuds potentiels. Ce profil comportemental et cette approche MACM fournissent une base fiable pour une future analyse fonctionnelle.


Fond

Il existe de nombreuses preuves que le thalamus est anormal dans les troubles psychotiques. L'imagerie par résonance magnétique fonctionnelle à l'état de repos a révélé un modèle intrigant de déconnectivité thalamique dans la psychose caractérisée par une connectivité réduite du cortex préfrontal (PFC) et une connectivité somatomotrice-thalamique accrue. Cependant, des lacunes critiques dans les connaissances subsistent en ce qui concerne l'apparition, la spécificité anatomique et les corrélats cliniques de la déconnectivité thalamique dans la psychose.

Méthodes

L'imagerie par résonance magnétique fonctionnelle à l'état de repos a été recueillie sur 105 sujets sains et 148 personnes atteintes de psychose, dont 53 patients atteints de psychose à un stade précoce. En utilisant les 253 sujets, le thalamus a été divisé en régions fonctionnelles d'intérêt (ROI) sur la base de la connectivité avec six ROI corticales définies a priori couvrant la majeure partie du manteau cortical. La connectivité fonctionnelle entre chaque ROI corticale et sa ROI thalamique correspondante a été quantifiée et comparée entre les groupes. Les différences significatives dans l'analyse ROI-ROI ont été suivies d'analyses basées sur les graines voxelwise pour localiser davantage la dysconnectivité thalamique.

Résultats

L'analyse du retour sur investissement a révélé une connectivité PFC-thalamique réduite et une connectivité somatomotrice-thalamique accrue chez les patients atteints de psychose chronique et précoce. L'hypoconnectivité des PFC et l'hyperconnectivité du cortex moteur étaient corrélées chez les patients, suggérant qu'elles résultent d'un mécanisme physiopathologique commun. Les analyses basées sur les semences ont révélé une hypoconnectivité thalamique dans la psychose localisée au PFC dorsolatéral, au PFC médial et aux zones cérébelleuses du réseau de contrôle exécutif bien décrit. Dans tous les sujets, la connectivité thalamique avec les zones du réseau fronto-pariétal était en corrélation avec le fonctionnement cognitif, y compris l'apprentissage verbal et la mémoire.

Conclusion

La dysconnectivité thalamocorticale est présente à la fois dans les stades chroniques et précoces de la psychose, comprend une connectivité thalamique réduite avec le réseau de contrôle exécutif et est liée à une déficience cognitive.


2. MATÉRIELS ET MÉTHODES

Cette revue systématique et cette méta-analyse ont été menées et sont rapportées conformément aux lignes directrices PRISMA (Moher et al., 2009) et aux lignes directrices pour les méta-analyses en neuroimagerie (Müller et al., 2018). Les détails sur la stratégie de recherche, la sélection des études, l'évaluation de la qualité et l'extraction des données sont présentés à l'annexe A. L'annexe B présente un organigramme du processus conformément aux directives PRISMA. L'annexe C comprend nos réponses à la liste de contrôle recommandée pour la méta-analyse de neuroimagerie (Müller et al., 2018). L'annexe D fournit un résumé des études incluses dans l'ensemble de données pour la compréhension du SL analysé dans cette étude. L'annexe E fournit un résumé des études incluses dans l'ensemble de données d'observation SLA.

2.1. ALE pour la compréhension SL

Toutes les coordonnées des études rapportant des foyers d'activation dans l'espace de Talairach (Talairach & Tournoux, 1988) ont été converties en espace MNI à l'aide de la transformation de Lancaster telle qu'implémentée dans la boîte à outils GingerALE (Eickhoff et al., 2009, 2012 Turkeltaub et al., 2012) . La conversion des données et les analyses ALE supplémentaires ont été effectuées à l'aide de GingerALE version 2.3.6 (Eickhoff et al., 2017), disponible sur https://brainmap.org/ale. Afin de corriger les effets intra-expérimentaux dérivés de la proximité des foyers, nous avons effectué nos analyses en utilisant la méthode ALE de Turkeltaub plus conservatrice (Turkeltaub et al., 2012). Comme il est d'usage pour les analyses ALE de données fonctionnelles, nous avons utilisé le masque de matière grise plus conservateur de GingerALE. Seuils recommandés de p < .001 (seuil de formation de cluster‐) et 0,05 pour une erreur de famille de niveau de cluster‐level avec 10 000 permutations de seuillage ont été appliqués aux images de sortie (Müller et al., 2018). Les étiquettes anatomiques ont été obtenues en saisissant les coordonnées des pics de notre analyse de cluster dans la SPM Anatomy Toolbox version 2.2c (Eickhoff et al., 2005, 2007). Pour les pics dans les régions non couvertes par la version actuelle de l'Anatomy Toolbox, la BA correspondante a été déterminée à l'aide de la carte MNI� incluse dans Yale BioImaging Suite Web version 1.0.0 (Lacadie, Fulbright, Arora, Constable, & Papademetris, 2008), accessible sur https://bioimagesuiteweb.github.io. Pour cette analyse, l'ensemble de données des foyers de compréhension SL a été utilisé comme entrée dans l'algorithme ALE pour observer la convergence spatiale pour la compréhension SL chez les signataires sourds à travers les études. Les fichiers d'entrée et de sortie sont disponibles dans le cadre du matériel en ligne pour cette étude.

2.2. Indices de latéralisation (cross‐hémisphérique et IFG )

La latéralisation hémisphérique fonctionnelle de la carte de convergence pour la compréhension du SL à partir de la première analyse ALE a été déterminée en calculant un indice de latéralité pondéré (LI), appelé AveLI (Matsuo, Chen, & Tseng, 2012). Une valeur LI représente le degré de latéralisation sur tous les voxels avec des valeurs positives d'une statistique de test donnée dans des volumes d'intérêt choisis (VOI). L'approche classique du calcul d'un LI compte d'abord le nombre de voxels qui dépassent un seuil défini dans un VOI dans chaque hémisphère. Dans un deuxième temps, l'indice est calculé selon la formule standard : (left − right)/(left + right). Ici, nous avons utilisé le soi-disant AveLI comme moyenne de tous les sous-indices calculés en définissant le seuil à la valeur (positive) d'une statistique de test dans chaque voxel au sein du VOI respectif. Par conséquent, AveLI a l'avantage de pondérer chaque voxel par sa valeur dans les statistiques de test d'une manière basée sur les données. Dans cette étude, nous rapportons des AveLI, allant de 1 (complètement à gauche‐latéralisée) à 𢄡 (complètement à droite‐latéralisée). Celles-ci ont été calculées à l'aide du script AveLI (version du 3 avril 2017), disponible sur http://aveli.web.fc2.com. La signification des scores AveLI a été déterminée en mettant en œuvre un test de permutation : les valeurs (c'est-à-dire les scores ALE) de tous les voxels non nuls dans les masques d'entrée ont été réaffectées au hasard dans les masques à travers les hémisphères et entrées dans le script AveLI. Après 1 000 permutations, les données ont été standardisées et le score z‐ converti en un p‐valeur pour déterminer si l'AveLI réellement observé différait significativement des données permutées.

Nous avons d'abord créé des VOI couvrant tout l'hémisphère gauche ou droit en divisant l'espace standard de notre modèle (Colin27_T1_seg_MNI_2x2x2.nii) en moitiés identiques. Ces derniers volumes ont été utilisés pour évaluer l'asymétrie hémisphérique de l'ensemble du cerveau au cours de la compréhension SL. Notre objectif initial était d'évaluer la latéralisation des clusters fonctionnels dans le réseau linguistique central frontotemporal indépendant hypothétique de la modalité hémisphérique gauche et les régions homologues de l'hémisphère droit. Cependant, comme nous n'avons observé que la convergence fonctionnelle pour la compréhension du SL dans l'IFG bilatéral, mais pas dans le cortex temporal postérieur bilatéral, nous avons limité les analyses supplémentaires aux sous-régions pertinentes pour la langue de l'IFG. Pour caractériser la latéralisation des clusters fonctionnels en termes neuroanatomiques dans l'IFG, nous avons effectué nos analyses à l'aide de cartes cytoarchitectoniques probabilistes de la zone de Broca, qui se compose de la zone postérieure 44 et de la zone plus antérieure 45 (Amunts et al., 2010 Zilles & Montants, 2018). Ces VOI définis cytoarchitectoniquement (Amunts et al., 1999) ont été extraits de la SPM Anatomy Toolbox (Eickhoff et al., 2005, 2007). De plus, nous avons créé un masque composite de la zone de Broca et de son homologue hémisphérique droit en combinant les cartes des zones 44 et 45. Les détails des VOI anatomiques sont décrits dans l'annexe F. Ces VOI ont été utilisés comme VOI primaires pour les analyses de latéralisation. à l'IFG.

2.3. Analyse de chevauchement de masse dans l'IFG

La carte de convergence fonctionnelle obtenue à partir de l'analyse ALE de la compréhension du SL a été utilisée pour effectuer une analyse de chevauchement de masse dans l'IFG bilatéral afin d'explorer plus avant la distribution spatiale sous-régionale de ces groupes fonctionnels. Les études de neuroimagerie de SWL au cours des dernières décennies ont produit un certain nombre de modèles en ce qui concerne la base neuroanatomique du langage, qui ont tous mis en évidence le rôle de l'IFG gauche et en particulier de l'aire de Broca en tant que région principale liée à la langue intégrée dans un réseau linguistique plus large ( Friederici, 2011 Friederici et al., 2017 Hagoort, 2017). Des résultats similaires ont été rapportés pour des études sur le SL, alors que de nombreuses études rapportent également l'implication de l'hémisphère droit et de l'IFG droit dans la compréhension du SL (Campbell et al., 2007 Emmorey, 2015 MacSweeney, Capek, Campbell, & Woll, 2008). Comme mentionné ci-dessus, nous n'avons observé que la convergence fonctionnelle bilatérale dans l'IFG postérieur en tant que seule région directement pertinente pour la langue, c'est pourquoi cette analyse a été limitée à la zone de Broca et à ses sous-régions ainsi qu'aux homologues de l'hémisphère droit. Pour obtenir une caractérisation neuroanatomique précise de la masse de distribution observée dans l'IFG, les VOI définis cytoarchitectoniquement des zones gauche et droite 44, zone 45, et les masques composites de la zone de Broca et de son homologue hémisphérique droit (voir Annexe F) ont été utilisés comme volumes pour cette analyse. Les VOI respectifs ont d'abord été transformés dans l'espace de notre modèle MNI (Colin27_T1_seg_MNI_2x2x2.nii) puis multipliés par les clusters IFG gauche ou droit extraits de la carte de convergence.

2.4. ALE pour l'observation SLA

Dans cette analyse, nous avons testé l'ensemble de données d'observation SLA dérivé d'une méta-analyse indépendante (Papitto, Friederici, & Zaccarella, 2020), comme décrit dans l'annexe A. Ici, nous avons cherché à déterminer les régions cérébrales recrutées chez des sujets (entendants). lors du traitement de stimuli visuels montrant des humains effectuant des actions manuelles et faciales dépourvues de contenu linguistique. Les paramètres de cette analyse ALE étaient identiques à ceux rapportés par l'analyse ALE de la compréhension du SL, à l'exception de l'ensemble de données d'entrée.

2.5. Analyse de contraste et de conjonction entre la compréhension SL et l'observation SLA

L'objectif était d'identifier les voxels uniques et se chevauchant dans les deux ensembles de données qui avaient été précédemment entrés dans les deux analyses ALE. En comparant ces deux ensembles de données provenant de groupes ayant des statuts auditifs différents, nous adaptons une pratique établie dans le domaine (par exemple, Bavelier et al., 1998 Capek et al., 2010 MacSweeney, Woll, Campbell, Calvert, et al., 2002 MacSweeney, Woll , Campbell, McGuire et al., 2002 Neville et al., 1998) à un niveau méta-analytique tout en veillant à ce que les matériaux de stimulation observés soient au maximum similaires (voir l'annexe A). L'observation de la compréhension SL par contraste a révélé des voxels spécifiques aux aspects linguistiques de la compréhension SL, tandis que le contraste inverse a montré des voxels spécifiques à l'observation SLA. L'analyse de conjonction a identifié des voxels où les deux ensembles de données ont montré une convergence, indiquant ainsi des régions non linguistiques recrutées pour le traitement des propriétés visuospatiales des stimuli. Toutes les analyses ont été effectuées dans GingerALE. L'analyse de contraste dans GingerALE est implémentée de manière à corriger les tailles d'étude en permutant les données (nous avons utilisé 10 000 permutations de seuillage). L'analyse donne des images de contraste qui rapportent des scores z montrant une signification au lieu de valeurs p, ce qui serait plus difficile à interpréter dans ce contexte. Seuils standards de p < .001 (seuil de formation de cluster‐), p < .05 pour l'inférence de niveau de cluster‐, et une taille de cluster minimale de 100 mm 3 ont ensuite été appliqués à ces images de sortie. Différente de la procédure statistique utilisée pour l'analyse de contraste, l'analyse de conjonction telle qu'implémentée dans GingerALE utilise simplement la valeur minimale voxel‐wise des images ALE d'entrée pour créer l'image de sortie.

2.6. Méta‐modélisation de la connectivité analytique

Pour caractériser de manière méta-analytique les attributions fonctionnelles et la connectivité des régions cérébrales impliquées de manière unique dans la compréhension du SL identifiées dans l'analyse de contraste, nous avons effectué MACM en utilisant la base de données BrainMap, en adoptant la procédure établie par Laird et al. (2011) pour étudier les modèles de coactivation du cerveau entier à travers une gamme de tâches. Cette approche nous a permis de déterminer le chevauchement entre le réseau SL identifié et le réseau SWL canonique, sans qu'il soit nécessaire d'effectuer une comparaison directe statistiquement injustifiée de l'ensemble de données de compréhension SL à un ensemble inévitablement plus grand d'études de compréhension SWL. Après avoir binarisé les images de contraste, nous avons extrait des grappes individuelles, retranché les images résultantes à la résolution de taille de voxel 1 ×𠂑 ×𠂑 requise par Sleuth et les avons utilisées comme entrée pour différentes recherches dans la base de données BrainMap. Au moment de la recherche (11 mars 2019), la base de données contenait les résultats de 3 406 articles décrivant 16 901 expériences. Toutes les requêtes de base de données utilisaient la version 2.4 de Sleuth, disponible sur http://brainmap.org/sleuth, et étaient limitées à (a) l'emplacement tel que défini par des voxels non nuls dans un cluster à partir du contraste respectif de l'analyse de contraste (b) des sujets sains en définissant le paramètre 𠇎xperiments : Context” IS “Normal Mapping” et (c) uniquement les activations et aucune désactivation en exigeant que 𠇎xperiences : Activations” IS �tivations Only.”

La connectivité méta-analytique d'un VOI donné à travers les études répertoriées dans la base de données BrainMap a été déterminée en effectuant une analyse ALE en utilisant l'ensemble des données de foyers cérébraux provenant d'expériences dans la base de données qui ont montré une coactivation avec le VOI respectif. Ces analyses ALE supplémentaires ont été effectuées avec exactement les mêmes paramètres que ceux décrits pour l'analyse primaire de l'ensemble de données de compréhension SL. En raison de notre dépendance à la méthode ALE de Turkeltaub, qui corrige les effets au sein de l'expérience (Turkeltaub et al., 2012), les résultats de la recherche ont été exportés par groupe de sujets et les doublons ont été supprimés, si nécessaire. Au total, quatre requêtes différentes et analyses ALE consécutives ont été effectuées à l'aide des clusters suivants obtenus dans l'analyse de contraste : comme un cluster dans le PCG gauche associé à l'observation SLA.


Conclusion

Le déclin cognitif subjectif est un précurseur putatif de la démence marqué par un déficit perçu des capacités cognitives non corroboré par une évaluation formelle. La présente analyse a observé qu'un degré plus élevé d'auto-évaluation des SCD prédisait une diminution de la FC entre les composants du réseau en mode par défaut et une augmentation de la FC entre les composants du réseau en mode saillance et en mode par défaut. Une plus grande dédifférenciation du réseau dans la SCD peut refléter un vieillissement « accéléré » du cerveau. En outre, cette étude fournit un soutien supplémentaire selon lequel la SCD peut être un précurseur de la démence, car des changements cérébraux subtils similaires à ceux observés dans la MA ont été observés ici.Les changements de FC en l'absence de changements cognitifs suggèrent que des altérations cérébrales qui sous-tendent l'expérience du déclin, et pourraient refléter la progression de la démence naissante, peuvent apparaître avant que l'évaluation cognitive ne soit suffisamment sensible pour détecter un déficit objectif.


4. Discussion

4.1. Interprétation des résultats par domaine cognitif

4.1.1. Mémoire de travail

Une méta-analyse importante a étudié les rôles du domaine du stimulus (verbal, spatial ou objets) et de la complexité cognitive sur les représentations neuronales de la mémoire de travail (Wager & x00026 Smith, 2003). Conformément à d'autres méta-analyses (Owen, McMillan, Laird, & Bullmore, 2005 Smith et al., 2009), les réseaux fronto-pariétals étaient largement associés à la fonction de mémoire de travail indépendante du domaine. Les tâches de mémoire de travail à forte demande cognitive (nécessitant une mise à jour continue des informations, une manipulation active des stimuli ou le maintien de l'ordre de présentation des stimuli) ont entraîné le recrutement de régions en dehors des réseaux fronto-pariétal canoniques, y compris le sillon intrapariétal droit (IPS) ainsi que les cortex frontaux supérieurs bilatéraux. L'IPS et les clusters méta-analytiques frontaux supérieurs rapportés par Wager & Smith englobent largement la région occipitale droite (bordant l'IPS) et les régions DMPFC bilatérales que nous rapportons comme codant pour la performance Digit Span. La plupart des études de connectivité fonctionnelle de la mémoire de travail verbale se sont concentrées sur la connectivité entre les régions à tâches positives au sein du réseau canonique fronto-pariétal (Dima, Jogia, & Frangou, 2014 Honey et al., 2002 Huang et al., 2015 Shen, Zhang, Yao , & Zhao, 2015). Parmi les études portant sur la connectivité inter-réseaux ou l'ensemble du cerveau, Magnuson et al. (2015) ont rapporté qu'une connectivité accrue à l'état de repos entre les réseaux à tâche positive et en mode par défaut correspondait à de moins bonnes performances (plus d'erreurs) sur la tâche de mémoire de travail verbale de la durée de l'opération, et Keller et al. (2015) ont rapporté qu'une plus grande anti-corrélation (c'est-à-dire plus de corrélations négatives au repos) entre les cortex préfrontal médial préfrontal et dorsolatéral correspondait à une plus grande capacité de mémoire de travail verbale. Nos résultats sont donc largement cohérents avec la littérature existante.

Nos résultats de mémoire de travail visuospatiale étaient moins cohérents avec la littérature. Il est à noter que nous rapportons des régressions significatives des performances à la connectivité cérébrale uniquement pour Spatial Span Forward (une tâche de mémoire de travail visuelle simple) mais pas pour Spatial Span Reverse (une tâche de mémoire de travail visuelle plus complexe). Cependant, la distinction entre Spatial Span Forward et Reverse a déjà été contestée avec des preuves que Spatial Span Forward utilise également la mémoire de travail (Wilde & Strauss, 2002). Conformément à cette conclusion, les performances Spatial Span Reverse de nos participants ne différaient pas significativement des performances Spatial Span Forward (contrairement à Digit Span, où les performances de séquençage et de recul étaient toutes deux significativement pires que les performances Forward, toutes deux t(40) < 𢄤, les deux p < 0,001). Wager et Smith (2003) ont rapporté une double dissociation pour les sous-types de mémoire de travail visuelle, avec des stimuli spatiaux codés par le cortex pariétal bilatéral et des stimuli objets codés par le cortex temporal inférieur. Cette dichotomie a été étayée par des études de connectivité fonctionnelle ultérieures (Bray, Almas, Arnold, Iaria, & MacQueen, 2015 Santangelo & Macaluso, 2013). Nous rapportons des résultats apparemment contradictoires de la connectivité fusiforme/PHG droite codant la mémoire de travail spatiale. Cependant, de récents résultats d'EEG suggèrent que la mémoire de travail spatiale est alimentée par de multiples réseaux avec un recrutement modulaire qui varie considérablement avec la demande de tâche (Protopapa, Siettos, Evdokimidis, & Smyrnis, 2014). Par exemple, une tâche de mémoire de travail visuospatiale associée à une réponse à choix forcé à deux alternatives était caractérisée par une connectivité efficace occipito-pariétale, pariétomotrice et pariétofrontale, tandis que la même tâche associée à un mouvement manuel d'un curseur vers l'emplacement cible était caractérisée par une connectivité efficace fronto-pariétale. Des travaux futurs sont nécessaires pour relier la connectivité fonctionnelle aux performances de ces variantes de tâches de mémoire de travail spatiale.

4.1.2. Apprentissage

L'apprentissage se déroule en trois étapes, chacune caractérisée par des contributions neuronales distinctes : le cortex pariétal focalise l'attention sur les stimuli pertinents, le lobe temporal médian (y compris le complexe hippocampique) encode les informations sous forme de souvenirs, et le cortex préfrontal ventrolatéral aide à faire passer les souvenirs à long terme. -mémoire à terme (Nee & Jonides, 2008, 2013 Oztekin, McElree, Staresina, & Davachi, 2009). Conformément à cette théorie, nous rapportons l'apprentissage visuel (performance BVMT-R) codé par la connectivité entre le cortex préfrontal ventrolatéral gauche (VLPFC) et le lobule pariétal supérieur droit (SPL). Plus précisément, le SPL droit a été fortement associé à des déficits de construction visuelle (un sous-processus d'apprentissage visuel) parmi les populations cliniques (Biesbroek et al., 2014 Hoeft et al., 2007 Melrose, Harwood, Khoo, Mandelkern, & Sultzer, 2013). SPL est également fortement impliqué dans l'apprentissage des relations spatiales (Sack et al., 2002 Wang, Yang, et al., 2015 Zago & Tzourio-Mazoyer, 2002), un autre processus sous-composant recruté par les stimuli BVMT-R.

L'apprentissage verbal (performance CVLT) était associé à la connectivité entre le cortex préfrontal rostrolatéral gauche (immédiatement dorsal à la région VLPFC identifiée pour l'apprentissage visuel) et les champs oculaires frontaux droits (BA 8). Bien que les champs oculaires frontaux soient le plus souvent associés à l'apprentissage procédural (Kassubek, Schmidtke, Kimmig, Lucking, & Greenlee, 2001 Rodriguez & Paule, 2009, chap. 12 Schall, Stuphorn, & Brown, 2002), les patients avec des lésions du cortex frontal supérieur de l'hémisphère gauche ou droit ont des performances CVLT plus faibles que les participants en bonne santé ou les patients présentant des lésions non frontales (Albuquerque, Loureiro, & Martins, 2008 Alexander, Stuss, & Fansabedian, 2003 Baldo, Delis, Kramer, & Shimamura, 2002). Ces déficits de performance sont putativement attribués à une mauvaise stratégie cognitive – spécifiquement, la capacité des participants à regrouper les éléments verbaux en quatre catégories sémantiques (𠇊nimal”, “véhicule”, etc.) par rapport au rappel en série (Gershberg & #x00026 Shimamura, 1995 Longenecker et al., 2010). Ce résultat peut donc être spécifique à la performance CVLT et non généralisable à toutes les modalités d'apprentissage verbal. Par exemple, la résection du lobe temporal mésial gauche pour le traitement de l'épilepsie réfractaire du lobe temporal est associée à des déficits d'apprentissage des associés verbaux appariés (Byun & Lee, 2010 Davis, Geller, Rizzuto, & Kahana, 2008 Hori et al. , 2007 Meltzer & Constable, 2005 Saling, 2009). Bien que nous ne rapportions aucune relation significative entre la connectivité au repos et la tâche Verbal Paired Associates au sein de notre échantillon, la littérature existante soutient l'implication des régions du lobe temporal mésial.

4.1.3. Fonction exécutive

L'attention sélective (D-KEFS Stroop) était associée à la connectivité au repos du DLPFC supérieur droit avec l'insula antérieure bilatérale, ainsi qu'à la connectivité du SPL postérieur droit avec le cingulaire antérieur dorsal bilatéral. Le cingulaire antérieur médian, l'insula antérieur bilatéral, le DLPFC bilatéral et le pariétal bilatéral sont des régions canoniques associées à la tâche de Stroop (Banich et al., 2000 Carter, Minzenberg, West, & Macdonald, 2012 Milham & Banich, 2005). Des études de connectivité fonctionnelle ont associé les performances de Stroop à une connectivité réduite (moins positive) au sein du réseau cingulo-insulaire « & x0201csaliency”, à la fois au repos (Duchek et al., 2013) et pendant une tâche Stroop fMRI (Wang, Wang, et al., 2015). Wang, Yang et al. (2015) ont également associé l'augmentation des performances de Stroop à une connectivité accrue (plus positive) au sein du réseau fronto-pariétal « exécutif central ». Alors que notre approche basée sur les données impliquait les mêmes régions que ces études précédentes, nous rapportons Inter-réseau (plutôt que intra-network) comme prédisant les performances de Stroop.

Enfin, la commutation attentionnelle (DKEFS Trails IV) était associée à une connectivité au repos VLPFC droite et SPL gauche. Le Trail Making Test n'a pas été aussi bien étudié que la tâche de Stroop, ce qui a conduit à des résultats de neuroimagerie moins cohérents. Des études de neuroimagerie fonctionnelle ont impliqué le pariétal supérieur bilatéral (Allen, Owens, Fong, & Richards, 2011 Moll, de Oliveira-Souza, Moll, Bramati, & Andreiuolo, 2002), tandis que les études sur les lésions et anatomiques ont impliqué le cortex préfrontal bilatéral. (Lee, Wallace, Raznahan, Clasen, & Giedd, 2014 Muir et al., 2015 Pa et al., 2010 Yochim, Baldo, Nelson, & Delis, 2007). Cependant, un Trail Making Test optimisé pour l'environnement d'IRMf n'a signalé ni atteinte pariétale ni frontale (Jacobson, Blanchard, Connolly, Cannon, & Garavan, 2011). Bien que nos résultats soient partiellement corroborés par la littérature sur l'IRMf basée sur les tâches, nous encourageons néanmoins une interprétation prudente compte tenu des conflits existants.

4.2. Interprétation large des résultats

4.2.1. La connectivité fonctionnelle à l'état de repos code de manière plus fiable les cognitions d'ordre supérieur

Nous rapportons les relations les plus fortes entre la cognition et la connectivité à l'état de repos pour les cognitions d'ordre supérieur de la mémoire de travail, de l'apprentissage et de la fonction exécutive. x00026 Glahn, 2009 Pari & Smith, 2003). Inversement, les cognitions qui ont été fortement associées à des régions ou des réseaux spécifiques du cerveau (tels que moteur, visuospatial et langage) n'ont montré aucune relation significative entre la performance et la connectivité au repos. Nous proposons deux interprétations possibles. Notre première interprétation découle de ces cognitions fortement associées à des réseaux cérébraux spécifiques : cortex moteur et prémoteur pour le comportement moteur, flux visuel dorsal pour la conscience visuelle et gyri temporel supérieur bilatéral pour le langage (Barch et al., 2013). Ces réseaux ont des représentations très stables (c'est-à-dire intra- connectivité réseau) pendant la tâche et le repos (Smith et al., 2009) et peut donc nécessiter des « challenges basés sur les tâches » pour induire des interactions entre les réseaux qui codent ensuite les différences individuelles de performance. Par exemple, plusieurs études ont lié les performances des tâches d'attention visuelle à la connectivité basée sur les tâches entre les réseaux visuels préfrontal, pariétal supérieur et dorsal (Baldassarre et al., 2012 Vossel, Weidner, Driver, Friston, & Fink, 2012 Wen, Yao, Liu, & Ding, 2012). Ainsi, notre conclusion selon laquelle la connectivité à l'état de repos code de manière plus fiable les cognitions d'ordre supérieur est réalisée indépendamment de la littérature sur la connectivité fonctionnelle basée sur les tâches.

Notre deuxième interprétation (et non mutuellement exclusive) est que les instruments échantillonnant des cognitions d'ordre supérieur peuvent avoir une plus grande sensibilité à la variance normative que les instruments échantillonnant des cognitions d'ordre inférieur ou spécifiques à un domaine. Cette interprétation est probablement vraie pour certains domaines cognitifs comme la mémoire, où deux de nos trois tests (BVMT-R et VPA) ont montré de forts effets de plafond au sein de notre échantillon. Cependant, cette interprétation ne s'applique pas aux cognitions telles que les performances motrices, où trois mesures indépendantes (Halstead-Reitan Finger tapping, LaFayette Grooved Pegboard et D-KEFS Trails subtest V) avaient des performances normalement distribuées mais aucune relation avec la connectivité cérébrale à l'état de repos. . Alors que la vitesse de tapotement du doigt a déjà été associée à la connectivité à l'état de repos (Seidler et al., 2015), ces résultats étaient quelque peu modestes (|t-scores| < 4) étant donné la taille de l'échantillon (m = 191 adultes âgés de 64 ans et plus), suggérant une faible taille d'effet pour les représentations de l'état de repos de la capacité motrice. Nous soutenons donc que la connectivité à l'état de repos a une plus grande puissance (c'est-à-dire des tailles d'effet plus grandes) pour caractériser la variance individuelle dans les cognitions d'ordre supérieur telles que la mémoire de travail, l'apprentissage et la fonction exécutive. Cette hypothèse sera explorée en profondeur dans des travaux futurs évaluant des tâches cognitives plus complexes telles que le test de tri des cartes du Wisconsin et le test D-KEFS Tower.

4.2.2. Les relations entre les performances et la connectivité à l'état de repos étaient systématiquement négatives

Toutes les régressions significatives de la performance à la connectivité à l'état de repos étaient caractérisées par des corrélations modérément positives (ρ

0,3 à 0,5) chez les élèves peu performants et corrélations faiblement à modérément négatives (ρ

𢄠.2 à 𢄠.4) parmi les plus performants. Chaque régression impliquait des régions avec des preuves solides de recrutement basé sur les tâches par la cognition correspondante. Nous interprétons ces résultats comme la preuve que l'indépendance fonctionnelle au repos facilite largement les capacités cognitives. Cette interprétation est cohérente avec les récentes analyses théoriques des graphes de l'organisation fonctionnelle du cerveau, qui représentent de plus en plus le cerveau comme des réseaux modulaires de régions cérébrales indépendantes qui subissent une réorganisation fonctionnelle dynamique en réponse à la demande cognitive (Crossley et al., 2013 Di, Gohel, Kim, & #x00026 Biswal, 2013 Meunier, Lambiotte, & Bullmore, 2010). Nos résultats s'appuient sur cette théorie en suggérant que les régions avec une connectivité modérément positive au repos peuvent être « cyokées » ensemble et donc moins capables de se réorganiser dynamiquement sous une forte demande cognitive, tandis que les régions avec une connectivité faiblement négative sont plus indépendantes au repos et donc mieux capable de se réorganiser avec la demande cognitive.

4.2.3. Mises en garde et limitations

Bien que ces évaluations de neuropsychologie clinique soient l'étalon-or pour l'évaluation clinique, plusieurs instruments possèdent une plage dynamique relativement étroite qui peut les rendre sous-optimaux en tant que régresseurs statistiques de la connectivité de l'état de repos. Par exemple, les performances de Digit Span et Spatial Span au sein de cet échantillon normatif se composaient de variables discrètes allant de 5� et 5– 12, respectivement. Les régressions utilisant ces instruments avaient des scores d'erreur quadratique moyenne normalisée (NRMSE) plus faibles (0,029𠄰,039) que les instruments avec une plus grande plage dynamique tels que D-KEFS Stroop (scores NRMSE 0,012𠄰,014), ce qui suggère qu'une mauvaise dynamique la plage peut limiter la puissance prédictive des instruments. Les travaux futurs exploreront si des mesures non standardisées mais continues de la mémoire de travail, telles que m-précision arrière, servent de meilleurs prédicteurs de la relation cerveau-comportement.


Résultats

Méta-analyse ALE des études VBM

Dans la méta-analyse des études VBM rapportant des réductions de la matière grise chez les lecteurs dyslexiques, nous avons trouvé six groupes de convergence significative entre les études (voir Tableau 2 Figure 1). Le plus grand amas était situé dans le gyrus fusiforme de l'hémisphère gauche s'étendant dans le gyrus temporal inférieur gauche. D'autres amas ont été trouvés bilatéralement dans le gyrus supramarginal et dans le cervelet. Dans l'hémisphère droit, l'amas supramarginal s'étendait dans l'opercule pariétal et s'accompagnait d'un amas supplémentaire dans la partie postérieure du gyrus temporal supérieur.


Introduction

Les troubles liés à la consommation d'alcool (AUD) ont une prévalence mondiale élevée et sont associés à un énorme fardeau de santé, ainsi qu'à une mortalité accrue 1,2,3. L'AUD entraîne également des déficiences et des problèmes au travail (par exemple, ne pas répondre aux exigences du travail), un risque élevé de blessures (par exemple, mise en danger ou accidents de la route) et des conséquences négatives dans les contextes sociaux et familiaux (par exemple, négligence des relations sociales, agression envers les membres de la famille) 4 .

Les trajectoires de l'AUD sont caractérisées par des changements dans de nombreux processus cognitifs et affectifs qui jouent un rôle vital dans le développement, le maintien et la rechute des troubles 5,6 . Des niveaux continuellement élevés de consommation d'alcool peuvent entraîner des changements fonctionnels à long terme, tels que des altérations du fonctionnement visuo-spatial, c'est-à-dire la perception et la mémorisation des emplacements 7,8 et des fonctions cognitives supérieures, telles que la maîtrise de soi, la planification, l'inhibition, le raisonnement et régulation explicite des émotions 9,10,11 . Des changements dans les processus affectifs tels que l'instabilité émotionnelle 12 et les troubles de l'humeur peuvent également être liés à une forte consommation d'alcool 13 et pourraient expliquer la forte comorbidité de l'AUD avec les troubles dépressifs 14 . Les altérations des fonctions cognitives et affectives induites par l'AUD sont en outre associées à de moins bons résultats thérapeutiques 14,15.

Entre autres facteurs, les déficiences fonctionnelles de l'AUD peuvent s'expliquer par des changements dans la structure de la matière grise (GM), résultant de la neurotoxicité de l'alcool dans les modes de consommation chronique élevée 16,17,18. De nombreuses études indiquent des réductions du volume GM largement distribuées chez les patients AUD par rapport aux témoins sains 19,20,21,22,23. Les résultats de ces études individuelles se réfèrent à diverses régions corticales et sous-corticales qui sont altérées par la consommation d'alcool. Cependant, les régions cérébrales identifiées varient considérablement selon ces différentes études. L'incohérence des résultats individuels de neuroimagerie peut s'expliquer par les caractéristiques de l'étude telles que la taille de l'échantillon, la comorbidité, la variabilité analytique et expérimentale 24 . Afin d'interpréter les résultats existants et d'intégrer quantitativement les effets dans les études individuelles, des approches méta-analytiques ont été développées 24,25. Jusqu'à présent, trois méta-analyses 26,27,28 ont intégré les résultats d'études qui ont analysé les changements GM chez les patients AUD par rapport aux témoins sains en utilisant la morphométrie à base de voxel (VBM 29). Xiao et al. 26 ont identifié neuf études VBM éligibles (publiées de janvier 2000 à novembre 2014) et ont inclus des données de neuro-imagerie de 269 patients AUD par rapport à 359 témoins sains dans une approche méta-analytique basée sur la taille de l'effet. Leurs cartes méta-analytiques résultantes ont indiqué une réduction significative de la GM dans les deux hémisphères comprenant des parties des cortex préfrontal (PFC), des cortex cingulaire antérieur (ACC), des régions striatale et insulaire et des parties des cortex cingulaire postérieur (PCC) chez les patients AUD par rapport aux patients sains. les contrôles.

Yang et al. 27 ont identifié douze études VBM éligibles (publiées de janvier 2000 à décembre 2014). Ils ont également comparé les différences de GM du cerveau entier entre 433 patients AUD et 498 témoins sains avec une approche méta-analytique basée sur la taille de l'effet. Dans cette méta-analyse, les patients AUD ont montré une diminution de la GM dans l'insula gauche et droite, le gyrus temporal supérieur (STG), le striatum, le gyri précentral, les cortex préfrontaux latéraux dorso (dlPFC), les cortex cingulaire antérieur (ACC) ainsi que le thalamus gauche et l'hippocampe droit, par rapport aux témoins sains.

Une troisième méta-analyse menée par Klaming et al. 28 examine les changements GM partagés à travers l'AUD et le trouble de stress post-traumatique. Ils ont mené des méta-analyses pour chaque condition par rapport à des témoins sains. Ici, nous ne rapportons que les résultats sur le contraste AUD vs HC. Les auteurs ont identifié treize études éligibles (publiées de janvier 2000 à décembre 2017) et inclus les données de 456 patients AUD par rapport à 522 témoins sains dans une autre approche méta-analytique basée sur la taille de l'effet. Leurs résultats indiquent des réductions de GM chez les patients atteints d'AUD dans les cortex cingulaires moyen et antérieur, les insulae et les noyaux lenticulaires et les gyri frontaux supérieurs des deux hémisphères.

En somme, des études antérieures ont montré des changements dans le volume de GM de différentes régions du cerveau qui peuvent faire l'objet de changements fonctionnels dans l'AUD. Trois méta-analyses ont intégré les preuves existantes des changements GM dans l'AUD sur une période de 2000 à 2017. Les résultats des trois méta-analyses indiquent des changements GM situés dans différentes parties du PFC, de l'ACC, du striatum et des insulae. Cependant, les études différaient également considérablement dans leurs résultats. Les conclusions de Xiao et al. 26 des GM réduites dans le cingulum postérieur gauche et droit n'ont pas été répliquées, à la place, Yang et al. 27 ont en outre détecté des altérations GM dans les gyri précentraux gauche et droit ainsi que dans les régions sous-corticales comme le thalamus gauche et l'hippocampe droit. Klaming et al. 28 n'ont pas identifié ces régions sous-corticales, mais des amas supplémentaires dans les gyri frontaux supérieurs gauche et droit. Ces incohérences pourraient être dues à des différences méthodologiques (par exemple, des différences dans les critères d'inclusion ou des seuils statistiques libéraux). De plus, selon les lignes directrices actuelles 25 , les trois méta-analyses sont également sous-alimentées (nombre insuffisant d'études incluses), ce qui présente le risque que les résultats soient motivés par quelques résultats d'études dominants.

Le but de notre étude était donc de revisiter le domaine des changements GM dans l'AUD et de calculer la convergence des résultats individuels à l'aide d'une méta-analyse de pointe. De plus, depuis 2017, de nouvelles études ont continué à enquêter sur les liens entre l'AUD et les changements de GM. L'inclusion d'un plus grand nombre d'études facilite la détection d'effets plus petits, augmente la robustesse aux généralisations et peut aider à résoudre les résultats antérieurs divergents 25,30. L'estimation de la probabilité d'activation (ALE) 30,31,32 a été choisie comme méthode d'analyse. Il assure une excellente pondération spatiale des coordonnées isolées. De plus, nous étendons les résultats antérieurs en caractérisant les clusters ALE résultants en ce qui concerne leur profil comportemental à l'aide de métadonnées de la base de données BrainMap 33 . Cette approche basée sur les données permet de mieux comprendre les profils comportementaux liés à l'AUD. Enfin, nous effectuons une analyse de modélisation de connectivité méta-analytique (MACM) 34,35 en utilisant la même base de données pour déterminer dans quels réseaux de neurones les clusters résultants pourraient représenter des nœuds potentiels. Ce profil comportemental et cette approche MACM fournissent une base fiable pour une future analyse fonctionnelle.


La parcellisation fonctionnelle du réseau en mode par défaut : une méta-analyse à grande échelle

Le réseau en mode par défaut (DMN) se compose de plusieurs régions qui interagissent de manière sélective pour prendre en charge des domaines de cognition distincts. Parmi les différents sites qui participent à la fonction DMN, le cortex cingulaire postérieur (PCC), la jonction pariétale temporale (TPJ) et le cortex préfrontal médial (MPFC) sont fréquemment identifiés comme des contributeurs clés. Pourtant, il reste difficile de savoir si ces sous-composants du DMN apportent des contributions uniques à des processus cognitifs et à des problèmes de santé spécifiques. Pour résoudre ce problème, nous avons appliqué une approche de parcellisation méta-analytique utilisée dans des travaux antérieurs. Cette approche a utilisé la base de données Neurosynth et des méthodes de classification pour quantifier l'association entre l'activation de PCC, TPJ et MPFC et des sujets spécifiques liés à la cognition et à la santé (par exemple, la prise de décision et le tabagisme). Nos analyses ont répliqué des observations antérieures selon lesquelles le PCC, le TPJ et le MPFC prennent collectivement en charge plusieurs fonctions cognitives telles que la prise de décision, la mémoire et la conscience. Pour mieux comprendre l'organisation fonctionnelle de chaque région, nous avons divisé chaque région en fonction de son modèle de coactivation avec le reste du cerveau. Cette analyse a indiqué que chaque région pourrait être subdivisée en sous-composants fonctionnellement distincts. Ensemble, nous délimitons davantage la fonction DMN en démontrant les forces relatives d'association entre les sous-composants à travers une gamme de processus cognitifs et de problèmes de santé. Une attention continue à la spécialisation au sein de la DMN permet aux travaux futurs d'examiner les nuances dans les contributions sous-régionales nécessaires à une cognition saine, ainsi que de créer le potentiel de protocoles de traitement plus ciblés dans diverses conditions de santé.


3. RÉSULTATS

3.1 Associations entre diversité microbienne, connectivité fonctionnelle et comportements

Les modèles de corrélation par paires entre les réseaux fonctionnels sont illustrés sur la figure 3a. Des connectivités fonctionnelles interréseaux positives et négatives ont été observées. Les analyses de corrélation ont révélé des corrélations significatives entre l'indice de Simpson et la connectivité fonctionnelle de l'interréseau (p <.05, FDR corrigé Figure 3b). Plus précisément, l'indice de Simpson était positivement corrélé avec la connectivité fonctionnelle entre pDMN et rFPN (t = 2.47, p = .0145), entre pDMN et AN (t = 2.68, p = .0082), entre rPFN et DAN (t = 3.50, p = .0006), entre rPFN et dSMN (t = 2.69, p = .0081), entre rPFN et mVN (t = 3.08, p = 0,0024), et entre rPFN et lVN (t = 2.90, p = .0044), ainsi qu'en corrélation négative avec la connectivité entre aDMN et lFPN (t = −2.57, p = .0111), entre ECN et lVN (t = −2.46, p = .0150), entre lFPN et rFPN (t = −2.75, p = .0067), entre DAN et pVN (t = −2.98, p = 0,0033), et entre dSMN et pVN (t = −2.65, p = .0089). Cependant, il n'y avait pas de corrélations significatives entre la connectivité fonctionnelle de l'interréseau et d'autres indices de diversité microbienne.

En ce qui concerne la qualité du sommeil, le score total de PSQI s'est avéré positivement corrélé avec la connectivité pDMN-AN (pr = .188, p = .020 Figure 4a) et corrélée négativement avec la connectivité lFPN-rFPN (pr = −.181, p = 0,024 Figure 4b). D'autres analyses de médiation ont révélé que pDMN-AN (effet indirect = 1,0161, erreur standard [SE] = 0,5654, IC à 95 % : 0,2068, 2 6003) et lFPN-rFPN (effet indirect = 1,0103, SE = 0,6048, IC à 95 % : 0,1653, 2,9731) la connectivité médie la relation entre l'indice de Simpson et le score total de PSQI (Figure 5a,b). En termes de mémoire de travail, il y avait une corrélation négative significative entre la connectivité rFPN-mVN et le temps de réaction 3-back (pr = −.171, p = .034) (Figure 4c). De même, la connectivité rFPN-mVN médie la relation entre l'indice de Simpson et le temps de réaction 3-back (effet indirect = -86,5227, SE = 49,2462, IC à 95 % : -225,4941, -17,6657 Figure 5c). En ce qui concerne l'attention, nous avons trouvé une corrélation positive significative entre la connectivité DAN-pVN et l'étendue des chiffres vers l'avant (pr = .162, p = .045 Figure 4d). Une analyse plus poussée de la médiation a montré que la connectivité DAN-pVN médiait la relation entre l'indice de Simpson et l'étendue des chiffres vers l'avant (effet indirect = -0,6029, SE = 0,3796, IC à 95 % : -1,6530, -0,0498 Figure 5d).

Les analyses de connectivité fonctionnelle intraréseau au niveau des voxels ont démontré des corrélations positives significatives entre l'indice Ace et la connectivité intraréseau dans le cortex préfrontal latéral bilatéral (LPFC) (à gauche : taille du cluster = 47 voxels, coordonnée MNI maximale X/oui/z = -45/48/0, pic t = 5,02 à droite : taille du cluster = 45 voxels, coordonnée MNI du pic X/oui/z = 51/27/27, pic t = 5,28) de l'ECN (Figure 6a), entre l'indice Chao et la connectivité intraréseau dans le LPFC bilatéral (à gauche : taille du cluster = 37 voxels, coordonnée MNI du pic X/oui/z = -45/48/0, pic t = 4,70 à droite : taille du cluster = 34 voxels, coordonnée MNI du pic X/oui/z = 54/27/27, pic t = 4,85) de l'ECN (Figure 6b) et entre l'indice Sobs et la connectivité intraréseau dans le LPFC bilatéral (à gauche : taille du cluster = 35 voxels, coordonnée MNI maximale X/oui/z = -45/48/0, pic t = 4,85 à droite : taille du cluster = 35 voxels, coordonnée MNI du pic X/oui/z = 54/27/27, pic t = 4,79) de l'ECN (Figure 6c), ainsi qu'une corrélation négative significative entre l'indice de Shannon et la connectivité intraréseau dans le gyrus angulaire droit (AG) (taille du cluster = 30 voxels, coordonnée MNI maximale X/oui/z = 36/−63/39, pic t = -4,26) du rFPN (Figure 6d p <.05, FWE au niveau du cluster corrigé). Cependant, il n'y avait pas de corrélations significatives entre la connectivité fonctionnelle intraréseau et les variables comportementales.

3.2 Associations entre entérotypes, connectivité fonctionnelle et comportements

Tous les échantillons ont été regroupés en trois entérotypes bien appariés (figure 7a et tableau 2). Les genres Prevotella, Ruminococcaceae et Bacteroides ont été considérés comme des identificateurs d'entérotypes (entérotypes P, R et B) car ils présentaient la plus grande variation d'abondance, coïncidant avec des études antérieures (Arumugam et al., 2011 Falony et al., 2016 Vieira-Silva et al., 2016 ).

Caractéristiques P-entérotype R-entérotype B-entérotype Statistiques p valeur
Nombre de sujets 51 37 69
Genre féminin masculin) 24/27 21/16 32/37 ?? 2 = 1.16 .561 a a Le p La valeur a été obtenue par le test du Chi carré de Pearson.
Années d'âge) 22.55 ± 2.39 21.78 ± 2.27 22.45 ± 2.49 F = 1.24 .291 b b Le p valeur a été obtenue par ANOVA à un facteur.
Éducation (années) 15.96 ± 1.93 15.54 ± 1.86 15.78 ± 1.96 F = 0.51 .602 b b Le p valeur a été obtenue par ANOVA à un facteur.
IMC (kg/m 2 ) 21.76 ± 3.95 21.25 ± 2.47 21.30 ± 2.93 F = 0.39 .680 b b Le p valeur a été obtenue par ANOVA à un facteur.
FD (mm) 0.13 ± 0.07 0.12 ± 0.04 0.12 ± 0.04 F = 1.22 .299 b b Le p valeur a été obtenue par ANOVA à un facteur.
  • Noter: Toutes les valeurs sont exprimées en moyenne ± écart type.
  • Abréviations : B, bacteroides BMI, body mass index FD, frame-wise shift P, prevotella R, ruminococcaceae.
  • un Le p La valeur a été obtenue par le test du Chi carré de Pearson.
  • b Le p valeur a été obtenue par ANOVA à un facteur.

L'ANOVA à sens unique a révélé des différences significatives dans la connectivité intraréseau dans le cortex orbitofrontal gauche (taille du cluster OFC = 26 voxels, coordonnée MNI maximale X/oui/z = −33/39/−9, pic F = 9,58) du lFPN sur trois entérotypes (Figure 7b p <.05, FWE au niveau du cluster corrigé). Les post-hoc des comparaisons par paires ont démontré que les participants avec les entérotypes P et R présentaient une connectivité intraréseau accrue dans l'OFC gauche de l'IFPN par rapport à ceux avec l'entérotype B (Figure 7c). L'analyse de corrélation avec les comportements a mis en évidence une corrélation positive significative entre RT_Go et la connectivité intraréseau dans l'OFC gauche (pr = .163, p = .044) (Figure 7d). Une analyse plus poussée de la médiation a montré que la connectivité intraréseau dans l'OFC gauche médiait la relation entre les entérotypes et RT_Go (effet indirect = -5,6488, SE = 2,8203, IC à 95 % : -12,4103, -0,9175 Figure 7e). Cependant, aucune différence significative dans la connectivité fonctionnelle interréseaux n'a été observée entre trois entérotypes.

3.3 Analyse de sensibilité

Après ajustement supplémentaire pour l'IMC, nos principaux résultats ont été conservés, à savoir les corrélations entre la diversité alpha et la connectivité fonctionnelle (tableau S2) et les différences de connectivité intraréseau entre les entérotypes (F = 12.501, p <.001) est resté inchangé. De même, en incluant les scores DNHQ et IPAQ comme nuisances supplémentaires, les corrélations entre la diversité alpha et la connectivité fonctionnelle (tableau S3) et les différences de connectivité intraréseau entre les entérotypes (F = 12.137, p <.001) est resté inchangé, ce qui suggère que les habitudes alimentaires et l'exercice physique n'ont pas influencé nos résultats.


RÉSULTATS

Nous avons d'abord évalué si la réponse BOLD dans la zone échantillonnée du cortex visuel humain était modulée de manière significative par la présence de taches d'image cohérentes par rapport à non cohérentes. Une analyse GLM univariée a révélé des grappes bilatérales d'activité significativement élevée (p < .01 seuil de hauteur, non corrigé, suivi de p < 0,05 seuil de cluster, FWE corrigé) dans les régions dorsales du cortex visuel de niveau moyen, comme le montre la figure 4 (en haut). L'activation la plus importante a été observée à proximité des régions rétinotopiques LO1/2 et s'étendant dorsalement vers (et au-delà, dans l'hémisphère droit) la limite de l'aire visuelle V3A/B. La précision maximale dans cette région est cohérente avec un emplacement associé au sillon occipital transverse (TOS), qui est ventral par rapport à la représentation V3A/B du méridien vertical inférieur (Nasr et al., 2011). Une activation significative était également présente dans la dorsale V3 et, dans l'hémisphère droit, légèrement dans la dorsale V2. Cependant, une telle activité dorsale apparente V2 et V3 peut être un débordement des zones voisines, en particulier étant donné l'absence d'un cluster d'activation de contrepartie attendu dans les V2 et V3 ventraux. Lorsque cette analyse univariée au niveau du groupe a été évaluée au niveau d'un seul participant, une variation du profil spatial des différences d'activité entre les participants a été observée, mais les résultats de l'analyse au niveau du groupe étaient qualitativement présents entre les participants (comme le montre la figure 5).

Résultats de l'analyse univariée et multivariée au niveau du groupe. Les panneaux supérieurs montrent les nœuds de surface avec une réponse significativement accrue aux conditions de stimulus cohérentes par rapport aux conditions de stimulus non cohérentes, colorées en fonction de l'amplitude du régresseur de stimulus cohérent dans l'analyse GLM (unités arbitraires). Les panneaux du bas montrent les nœuds de surface avec des performances nettement supérieures au hasard dans la classification des conditions de stimulus cohérentes par rapport à non cohérentes, colorées en fonction du niveau de précision (%). La signification des résultats univariés et multivariés a été déterminée par un seuil de taille de p < .01 (non corrigé) suivi d'un seuil de cluster de p < .05 (FWE corrigé). Chaque panneau montre une représentation aplatie du cerveau moyen du groupe, avec des lignes sombres montrant les limites entre les zones visuelles rétinotopiques identifiées (selon la figure 2), des lignes pointillées entourant les régions d'activation les plus importantes pour le mouvement et les localisateurs d'objets (selon la figure 3), et des lignes noires en pointillés montrant la limite de la région à partir de laquelle les signaux fonctionnels ont été acquis. Les panneaux de gauche montrent l'hémisphère gauche et les panneaux de droite montrent l'hémisphère droit.

Résultats de l'analyse univariée et multivariée au niveau du groupe. Les panneaux supérieurs montrent les nœuds de surface avec une réponse significativement accrue aux conditions de stimulus cohérentes par rapport aux conditions de stimulus non cohérentes, colorées en fonction de l'amplitude du régresseur de stimulus cohérent dans l'analyse GLM (unités arbitraires). Les panneaux du bas montrent les nœuds de surface avec des performances nettement supérieures au hasard dans la classification des conditions de stimulus cohérentes par rapport à non cohérentes, colorées en fonction du niveau de précision (%). La signification des résultats univariés et multivariés a été déterminée par un seuil de taille de p < .01 (non corrigé) suivi d'un seuil de cluster de p < .05 (FWE corrigé). Chaque panneau montre une représentation aplatie du cerveau moyen du groupe, avec des lignes sombres montrant les limites entre les zones visuelles rétinotopiques identifiées (selon la figure 2), des lignes pointillées entourant les régions d'activation les plus importantes pour le mouvement et les localisateurs d'objets (selon la figure 3), et des lignes noires en pointillés montrant la limite de la région à partir de laquelle les signaux fonctionnels ont été acquis. Les panneaux de gauche montrent l'hémisphère gauche et les panneaux de droite montrent l'hémisphère droit.

Résultats univariés à un seul participant. Chaque panneau affiche les valeurs bêta du contraste cohérent et non cohérent pour chaque participant (lignes) et hémisphère (colonnes). Les valeurs sont affichées à un seuil de signification statistique de p < 0,001 (non corrigé) sur une représentation aplatie du cerveau moyen du groupe. Les marques de lignes sont conformes à la figure 4, à l'exception du participant 4 (P4) pour lequel le contour vert montre les limites du TOS telles qu'elles sont estimées à partir d'un localisateur fonctionnel du réseau de scènes. Notez que les lignes pointillées représentent l'étendue de la couverture d'acquisition commune à tous les participants et peuvent donc être dépassées à certains moments par des participants particuliers.

Résultats univariés à un seul participant. Chaque panneau affiche les valeurs bêta du contraste cohérent et non cohérent pour chaque participant (lignes) et hémisphère (colonnes). Les valeurs sont affichées à un seuil de signification statistique de p < 0,001 (non corrigé) sur une représentation aplatie du cerveau moyen du groupe. Les marques de lignes sont conformes à la figure 4, à l'exception du participant 4 (P4) pour lequel le contour vert montre les limites du TOS telles qu'elles sont estimées à partir d'un localisateur fonctionnel du réseau de scènes. Notez que les lignes pointillées représentent l'étendue de la couverture d'acquisition commune à tous les participants et peuvent donc être dépassées à certains moments par des participants particuliers.

Nous avons ensuite cherché à savoir si la distribution spatiale locale de l'activité BOLD à travers la surface corticale contenait des informations qui pourraient être utilisées pour discriminer l'observation de taches d'images cohérentes et non cohérentes. Nous avons utilisé des techniques MVPA (Haynes & Rees, 2006 Norman, Polyn, Detre, & Haxby, 2006) pour quantifier le contenu représentationnel de petits disques de projecteur (Kriegeskorte et al., 2006) (10 mm de diamètre) centrés à chaque nœud sur la corticale. surface. Comme le montre la figure 4 (en bas), cette analyse a révélé de vastes régions du cortex visuel de niveau intermédiaire avec des modèles d'activité capables de distinguer les conditions de stimulus cohérentes et non cohérentes à des niveaux significativement supérieurs au hasard (p < .01 seuil de hauteur, non corrigé, suivi de p < .05 seuil de cluster, FWE corrigé). Comme pour l'analyse univariée, les profils d'exactitude de l'APMV pour un seul participant (non illustrés) variaient d'un participant à l'autre, mais étaient qualitativement similaires aux résultats de l'analyse MVPA au niveau du groupe.

Les emplacements des régions avec une précision de classification nettement supérieure au hasard sont similaires dans les hémisphères gauche et droit, et nous décrivons des caractéristiques d'intérêt importantes situées par rapport aux frontières des zones visuelles rétinotopiques voisines et par rapport aux régions activées par les localisateurs fonctionnels. Nous commençons à considérer la distribution spatiale d'une précision de classification significative au niveau de la représentation fovéale centrale (voir les panneaux inférieurs de la figure 2 pour la carte de préférence d'excentricité) et en nous déplaçant dorsalement, où nous observons d'abord une précision de classification significative à l'intérieur et à proximité des zones rétinotopiques LO1 et LO2 et la région TOS—conformément aux résultats de l'analyse univariée.Les niveaux significatifs de précision s'étendent dorsalement dans la zone V3A/B et dans les zones du sillon intrapariétal (Swisher, Halko, Merabet, McMains, & Somers, 2007) et dans les directions antérieure et dorsale au-delà de la limite éloignée de LO2. Ce dernier groupe semble être plus dorsal que le complexe du mouvement humain (Kolster, Peeters, & Orban, 2010 Amano, Wandell, & Dumoulin, 2009 Huk, Dougherty, & Heeger, 2002) et peut être une région antérieure de V3B. En passant au cortex dorsal postérieur, nous observons des niveaux significatifs de précision de classification dans une région au-delà des limites d'excentricité lointaines des V2 et V3 dorsaux dans le cortex visuel de bas niveau, qui est susceptible d'être associé au cortex rétrosplénial (RSC Nasr et al., 2011).

En repartant de la représentation fovéale centrale, en se déplaçant ventralement, nous observons un groupe d'une précision significative au sein de hV4. Bilatéralement, cet amas semble être situé dans une région de préférence fovéale de hV4, avec un amas supplémentaire de hV4 à mi-excentricité de préférence présent uniquement dans l'hémisphère droit. Les deux hémisphères présentent des grappes d'une précision significative dans les régions ventrales au-delà des excentricités éloignées de hV4 dans les zones putatives de VO1 (Arcaro et al., 2009 Brewer, Liu, Wade, & Wandell, 2005), avant d'atteindre l'étendue de la couverture cérébrale de notre acquisitions. Il existe également des grappes de précision bilatérales dans le cortex ventral postérieur, au-delà du bord postérieur du hV4, que nous attribuons provisoirement à la grappe temporale inférieure postérieure humaine putative des régions rétinotopiques identifiées par Kolster et al. (2010). Ces clusters se situent dans des régions associées à des niveaux élevés de sélectivité de catégorie (Malach, Levy, & Hasson, 2002) et se chevauchent partiellement avec des régions fonctionnellement localisées préférant intactes par rapport aux objets brouillés (voir Figure 3, milieu).

Pour évaluer la probabilité que de tels résultats univariés et multivariés soient causés par une allocation attentionnelle inégale aux deux conditions, nous avons analysé les réponses des participants à la tâche comportementale pendant le balayage, dans laquelle ils ont jugé si les patchs d'image faisaient partie d'une image cohérente ou non cohérente. et s'ils étaient confiants ou moins confiants dans leur jugement. Lorsque les patchs étaient cohérents, les participants ont répondu cohérent/confiant sur 59,14% (SE = 6,74%), cohérent/moins confiant sur 28,74 % (SE = 4,56 %), incohérent/moins confiant sur 6,85 % (SE = 1,84%, et non cohérent/confiant sur 5,27% (SE = 1,84%) des essais. De même, lorsque les patchs étaient non cohérents, les participants ont répondu non cohérent/confiant sur 66,37 % (SE = 4,77%), incohérent/moins confiant sur 25,33 % (SE = 5,65%), cohérent/moins confiant sur 4,79% (SE = 0,62%), et cohérent/confiant sur 3,52% (SE = 1,26%) des essais. Il n'y avait pas d'interaction statistiquement significative entre les proportions de réponse et la condition de stimulus, F(3, 12) = 0.73, p 0,05. Il n'y avait pas non plus de différence statistiquement significative dans les RT pour les conditions cohérentes et non cohérentes, F(1, 4) = 2.81, p = 0,17, les participants répondant avec une latence moyenne de 712 ms (SE = 32 ms) et 748 ms (SE = 25 msec) pour les essais dans les conditions cohérentes et non cohérentes, respectivement. Ces résultats suggèrent que la capacité, la confiance et l'exécution des participants dans la classification des deux conditions de stimulus n'étaient pas sensiblement différentes pour une présentation cohérente et non cohérente.


Voir la vidéo: Fil rouge: La significativité statistique (Juillet 2022).


Commentaires:

  1. Kedar

    Je m'excuse, mais, à mon avis, vous n'avez pas raison. Je peux le prouver. Écrivez-moi dans PM.

  2. Wulfhere

    Wacker, quelle phrase ..., une splendide pensée

  3. Hilton

    J'aime vraiment bien ça.

  4. Henbeddestr

    N'essayez pas tout de suite

  5. Voodoogar

    Je considère que vous n'avez pas raison. Discutons-en.



Écrire un message