Notre compréhension de la cognition humaine a été révolutionnée par la neuro-imagerie. En particulier, une littérature impressionnante décrit les corrélats neuronaux de nombreuses caractéristiques cognitives ou comportementales. Cependant, une question fondamentale demeure : comment transformer les informations issues des études individuelles en connaissances ?

En neuroimagerie cognitive, comme en psychologie, des résultats clés ont récemment été remis en question en raison d'un manque de reproductibilité. L'élément central de cette crise est la faible taille de l'échantillon des études dans ce domaine.

Pour surmonter l'obstacle de la taille de l'échantillon, diverses approches sont devenues centrales dans le domaine :

• Inférer des connaissances en récupérant et en agrégeant des résultats et des conclusions à partir de bases de données de publications.

• Rendre les données des études publiées disponibles pour une analyse a posteriori à l'intérieur d'une même publication ou d'une publication à l'autre.

• Concentrer l'analyse sur des échantillons limités, mais avec une étude plus approfondie des caractéristiques de leur cerveau (phénotypage approfondi).

Cependant, la manière d'exploiter les informations latentes dans les ensembles de données issus des propositions susmentionnées reste une question largement sans réponse. Le nombre croissant de publications et d'ensembles de données disponibles, ainsi que les infrastructures - telles que OpenNeuro - conçues pour faciliter l'accès à ces données, soulèvent plusieurs questions importantes :

• Trouver des descriptions cohérentes du comportement d'une étude à l'autre.

• Qu'attendre d'une méta-analyse : une analyse d'association ou un modèle prédictif

• L'interrogation est souvent limitée à des approches thématiques : comment effectuer des requêtes plus expressives dans les corpus de publications existants ?

• Comment combiner les corpus de publications et les connaissances structurées conservées dans des ontologies ?

• Deux paradigmes prévalent actuellement : le phénotypage approfondi, qui étudie en détail quelques individus, et les méta-analyses, qui saisissent quelques éléments d'information dans l'ensemble des études. Quels enseignements peut-on tirer de ces deux approches ? Comment se complètent-elles ?

Il existe donc une opportunité : le développement d'approches d'IA pour permettre l'inférence automatique de représentations et de résumés utiles à partir des connaissances en neuroimagerie cognitive. Plus précisément, il s'agit de développer des méthodes d'IA solides, capables de fournir des explications interprétables de la relation entre le cerveau humain et la cognition. Une tâche pour laquelle il est fondamental d'exploiter les grandes quantités de données hétérogènes et bruyantes provenant de publications et de dépôts d'images. Pourtant, les méthodes actuelles basées sur l'intelligence artificielle ne peuvent pas être facilement utilisées pour cette tâche. L'adaptation aux spécificités des données de neuro-imagerie telles que la structure de l'image et du signal, le rapport signal/bruit limité, les annotations incohérentes est fondamentale pour le succès de l'inférence de la relation entre la structure et la fonction du cerveau humain et la cognition.

CogBases vise donc à rassembler des experts de différents domaines des neurosciences, de la bioinformatique et de l'intelligence artificielle pour discuter des avancées technologiques récentes et des défis à relever dans le domaine du traitement des connaissances en neurosciences cognitives.

Ce faisant, CogBases suscitera des avancées dans le développement méthodologique et l'application de méthodes d'IA capables de traiter de grandes bases de données de publications et d'imagerie.

Par conséquent, il fera progresser notre compréhension de la cognition par le biais de la neuro-imagerie.

Nous vous donnons donc rendez-vous les 10 et 11 octobre 2023 à l'Institut Pasteur !