Modeling analytic variability in brain imaging

Résumé

Au cours des dernières années, le manque de reproductibilité des résultats de recherche est devenu un sujet majeur dans de nombreux domaines scientifiques, y compris l’Imagerie par Résonance Magnétique Fonctionnelle (IRMf). La faible puissance statistique liée aux petites tailles d’échantillons a été identifiée comme l’un des principaux facteurs de non-reproductibilité dans les études d’IRMf. Le développement du partage de données en neuroimagerie ouvre de nouvelles opportunités, permettant d’effectuer des études avec des tailles d’échantillons plus grandes en réutilisant des données existantes, provenant éventuellement d’ensembles de données différents. Cependant, cela peut conduire à combiner des données traitées différemment.

Dans cette thèse, nous avons étudié l’impact de la variabilité causée par les différences entre les chaînes de traitement, appelée variabilité analytique, sur la validité de nouvelles analyses lorsque l’on combine des données de sujet traitées avec différentes chaînes de traitement au niveau individuel. Les analyses ont été effectuées avec des chaînes de traitement qui différaient les unes des autres sur un ensemble de paramètres définis. Nous avons observé que la variabilité induite par les différences de valeurs pour ces paramètres entre les chaînes de traitement était acceptable dans certains cas et rédhibitoire dans d’autres cas. Nous avons conclu que les différences en terme de traitement appliqué sur les données de sujet doivent être prises en compte avant de combiner ces données. Enfin, nous avons proposé une méthode de correction de l’effet de la variabilité analytique pour ces analyses de groupe.