Statistical models for comprehensive meta-analysis of neuroimaging studies

La neuroimagerie permet d’étudier les liens entre la structure et le fonctionnement du cerveau. Des milliers d’études de neuroimagerie sont publiées chaque année. Il est difficile d’exploiter cette grande quantité de résultats. En effet, chaque étude manque de puissance statistique et peut reporter beaucoup de faux positifs. De plus, certains effets sont spécifiques à un protocole expérimental et difficile à reproduire. Les méta-analyses rassemblent plusieurs études pour identifier les associations entre structures anatomiques et processus cognitifs qui sont établies de manière consistante dans la littérature. Les méthodes classiques de méta-analyse commencent par constituer un échantillon d’études focalisées sur un même processus mental ou une même maladie. Ensuite, un test statistique permet de délimiter les régions cérébrales dans lesquelles le nombre d’observations reportées est significatif. Dans cette thèse, nous introduisons une nouvelle forme de méta-analyse, qui s’attache à construire des prédictions plutôt qu’à tester des hypothèses. Nous introduisons des modèles statistiques qui prédisent la distribution spatiale des observations neurologiques à partir de la description textuelle d’une expérience, d’un processus cognitif ou d’une maladie cérébrale. Notre approche est basée sur l’apprentissage statistique supervisé qui fournit un cadre classique pour évaluer et comparer les modèles. Nous construisons le plus grand jeu de données d’études de neuroimagerie et de coordonnées stéréotaxiques existant, qui rassemble plus de 13 000 publications. Dans la dernière partie, nous nous intéressons au décodage: prédire des états psychologiques à partir de l’activité cérébrale. La méta-analyse standard est un outil indispensable pour distinguer les vraies découvertes du bruit et des artefacts parmi les résultats publiés en neuroimagerie. Cette thèse introduit des méthodes adaptées à la méta-analyse prédictive. Cette approche est complémentaire de la méta-analyse standard, et aide à interpréter les résultats d’études de neuroimagerie ainsi qu’à formuler des hypothèses ou des a priori statistiques. Thousands of neuroimaging studies are published every year. Exploiting this huge amount of results is difficult. Indeed, individual studies lack statistical power and report many spurious findings. Even genuine effects are often specific to particular experimental settings and difficult to reproduce. Meta- analysis aggregates studies to identify consistent trends in re