Large-Scale Probabilistic Causal Networks: A New Formalism for Cerebral Information Processing Modeling
Réseaux causaux probabilistes à grande échelle : un nouveau formalisme pour la modélisation du traitement de l'information cérébrale
Résumé
The understanding and the prediction of the clinical outcomes of focal or degenerative cerebral lesions, as well as the assessment of rehabilitation procedures, necessitate knowing the cerebral substratum of cognitive or sensorimotor functions. This is achieved by activation studies, where subjects are asked to perform a specific task while data of their brain functioning are obtained through functional neuroimaging techniques. Such studies, as well as animal experiments, have shown that sensorimotor or cognitive functions are the offspring of the activity of large-scale networks of anatomically connected cerebral regions. However, no one-to-one correspondence between activated networks and functions can be found. Furthermore, apparently conflicting activation data can only be explained by understanding how the activation of large-scale networks derives from cerebral information processing mechanisms. At this level, cerebral mechanisms are the synthesis of more basic neurobiological, neurophysiological or neuropsychological processes. They can only be approached with the help of explicit computational models, based on the knowledge of more basic processes. In this work, we aim at defining a new and flexible formalism allowing building such models, for a better interpretation of cerebral functional images. It is based on dynamic Bayesian networks, a causal, probabilistic and graphical modelling approach. The brain is viewed as a network of anatomically connected functional areas. Each area is a processing unit which is represented by a set of nodes in the dynamic Bayesian network. In the formalism, the information processed by one node is the abstraction of the cerebral activity in the corresponding neuronal population. We use a two-sided information representation dedicated to the representation of integrated cerebral information. It is made of a numerical value corresponding to the activation level, and a symbolic value representing the pattern of activated neurons. This work is a part of a project which is dedicated to the definition of an original causal approach for the modelling of cerebral information processing in large-scale networks and the interpretation of neuroimaging data. Causality allows us to express explicitly our hypotheses on cerebral mechanisms. Our contribution can be described in two points. In an artificial intelligence perspective, the use of labelled random variables in dynamic Bayesian networks allows us to define original non-supervised learning mechanisms. From the computational neuroscience viewpoint, we propose a new causal formalism, which is more adapted than formal neural networks to model cerebral processing at the global level of cerebral areas networks. Furthermore, our formalism is more biologically plausible than other causal approach like causal qualitative networks.
La compréhension du fonctionnement cérébral passe par l'étude des relations entre les structures cérébrales et les fonctions cognitives qu'elles implémentent. Les études en activation, qui permettent d'obtenir, grâce aux techniques de neuroimagerie fonctionnelle, des données sur l'activité cérébrale pendant l'accomplissement d'une tâche cognitive, visent à étudier ces liens. Ces études, ainsi que de nombreux travaux chez l'animal, suggèrent que le support neurologique des fonctions cognitives est constitué de réseaux à grande échelle d'aires corticales et de régions sous-corticales interconnectées. Cependant, la mise en correspondance simple entre réseaux activés et tâche accomplie est insuffisante pour comprendre comment l'activation découle du traitement de l'information par le cerveau. De plus, le traitement cérébral est très complexe, et les mesures fournies par la neuroimagerie sont incomplètes, indirectes, et de natures différentes, ce qui complique grandement l'interprétation des données obtenues. Un outil de modélisation explicite des mécanismes de traitement et de propagation de l'information cérébrale dans les réseaux à grande échelle est nécessaire pour palier ces défauts et permettre l'interprétation des mesures de l'activité cérébrale en termes de traitement de l'information. Nous proposons ici un formalisme original répondant à ces objectifs et aux contraintes imposées par le système à modéliser, le cerveau. Il est basé sur une approche graphique causale et probabiliste, les réseaux bayésiens dynamiques, et sur une représentation duale de l'information. Nous considérons le cerveau comme un ensemble de régions fonctionnelles anatomiquement interconnectées, chaque région étant un centre de traitement de l'information qui peut être modélisé par un noeud du réseau bayésien. L'information manipulée dans le formalisme au niveau d'un noeud est l'abstraction du signal généré par l'activité de la population neuronale correspondante. Ceci nous conduit à représenter l'information cérébrale sous la forme d'un couple numérique/symbolique, permettant de tenir compte respectivement du niveau d'activation et de la configuration des neurones activés. Ce travail se situe dans le prolongement d'un projet visant à développer une approche causale originale pour la modélisation du traitement de l'information dans des réseaux cérébraux à grande échelle et l'interprétation des données de neuroimagerie. L'aspect causal permet d'exprimer explicitement des hypothèses sur le fonctionnement cérébral. Notre contribution est double. Au niveau de l'intelligence artificielle, l'utilisation de variables aléatoires labellisées dans des réseaux bayésiens dynamiques nous permet de définir des mécanismes d'apprentissage non-supervisés originaux. Sur le plan des neurosciences computationnelles, nous proposons un nouveau formalisme causal, plus adapté à la représentation du fonctionnement cérébral au niveau des réseaux d'aires que les réseaux de neurones formels, et présentant plus de plausibilité biologique que les autres approches causales, en particulier les réseaux causaux qualitatifs.