Sujet
Rapports scientifiques volume 13, Numéro d'article : 12615 (2023) Citer cet article
73 Accès
Détails des métriques
La stimulation magnétique transcrânienne répétitive (rTMS) a acquis une importance considérable dans le traitement des troubles neuropsychiatriques, notamment la dépression majeure. Cependant, on ne comprend pas encore comment la SMTr modifie la connectivité fonctionnelle du cerveau. Nous rapportons ici les changements dans la connectivité fonctionnelle capturés par l’imagerie par résonance magnétique fonctionnelle (rsfMRI) au repos au cours de la première heure après la rTMS à 10 Hz. Nous appliquons des schémas de parcellisation spécifiques à un sujet pour détecter les changements (1) dans les nœuds du réseau, où la connectivité fonctionnelle des régions la plus forte est observée, et (2) dans les limites du réseau, où se produisent des transitions fonctionnelles entre les régions. Nous utilisons une machine à vecteurs de support (SVM), un algorithme d'apprentissage automatique largement utilisé, robuste et efficace, pour la classification et la caractérisation des intervalles de temps de changements dans les cartes de nœuds et de limites. Nos résultats révèlent que les changements de connectivité aux frontières sont plus lents et plus complexes que ceux observés dans les nœuds, mais d’ampleur similaire selon les intervalles de confiance de précision. Ces résultats étaient plus marqués dans le cortex cingulaire postérieur et le précuneus. Comme les limites des réseaux sont en effet sous-étudiées par rapport aux nœuds dans la recherche en connectomique, nos résultats mettent en évidence leur contribution aux ajustements fonctionnels du rTMS.
La stimulation magnétique transcrânienne répétitive (rTMS) est devenue une méthode populaire pour la modulation non invasive des fonctions cérébrales1. Des études récentes de neuroimagerie ont montré que les changements fonctionnels induits par la SMTr dans une région corticale localisée conduisent à une modulation sélective et distincte de l'activité et de la connectivité fonctionnelle au sein et entre les réseaux cérébraux à grande échelle2,3,4,5,6,7. Les mécanismes par lesquels la rTMS induit des modulations de réseau ne sont pas encore bien compris. Aujourd’hui, la cartographie des effets sur l’ensemble du cerveau provoqués par des perturbations neuronales locales, notamment par la SMTr, constitue un domaine de recherche en pleine croissance. Des méthodes bien établies permettent désormais d'évaluer les ajustements fonctionnels au niveau du connectome du rTMS haute fréquence dans les cartes de nœuds et de limites dans des intervalles de temps séquentiels8,9.
Les données d'imagerie par résonance magnétique fonctionnelle (IRMf) obtenues alors que les participants ne sont engagés dans aucune tâche spécifique sont appelées IRMf à l'état de repos (rsfMRI). RsfMRI a joué un rôle déterminant pour faire progresser notre compréhension de l'architecture du réseau fonctionnel macroscopique du cerveau10,11,12 ainsi que des régions qui pourraient être les plus fonctionnellement altérées dans les troubles psychiatriques13,14. Cependant, les données IRMf consistent généralement en des évolutions temporelles fonctionnelles dans des milliers de voxels, ce qui permet d’une part de déduire avec précision des corrélations ou des « connectivités fonctionnelles » entre les régions, mais d’autre part présente une dimensionnalité élevée. Différentes approches ont été proposées pour réduire la dimensionnalité des données et pour identifier les modèles d'organisation spatio-temporelle les plus pertinents dans les données IRMf. C'est le cas des régions fonctionnelles du cerveau entier qui seront représentées dans notre étude par des nœuds15 et des frontières8,16,17. Les nœuds sont définis comme la plus grande force de connectivité locale ou globale, également connue sous le nom de concepts de modularité et d'intégration respectivement, qui ont permis de nombreuses informations sur l'organisation dimensionnelle du cerveau sain et malade18. Les frontières sont les contreparties des nœuds, identifiées là où la force de connectivité est la plus faible ou absente, généralement lors de la transition entre les régions fonctionnelles voisines16. Contrairement à l’étude des frontières, la communauté scientifique a accordé une attention disproportionnée aux nœuds des réseaux fonctionnels. Dans les approches de regroupement de nœuds, les éléments spatio-temporels (c'est-à-dire les voxels) peuvent être regroupés sur la base de la similitude ou de la dissemblance de leur connectivité fonctionnelle15. Un exemple d’approche de regroupement de nœuds est l’analyse des composants indépendants (ICA), qui est utilisée comme méthode de cartographie cérébrale qui sépare efficacement les composants fonctionnels en fonction de leur distribution spatio-temporelle correspondante19. L'ICA a été largement appliquée à l'identification de réseaux cérébraux à grande échelle5,20,21.
3.0.CO;2-2" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291099-1077%28199904%2914%3A3%3C161%3A%3AAID-HUP73%3E3.0.CO%3B2-2" aria-label="Article reference 1" data-doi="10.1002/(SICI)1099-1077(199904)14:33.0.CO;2-2"Article Google Scholar /p>