Les modèles d'apprentissage profond (DL) ont attiré une attention considérable dans le domaine de l'intelligence artificielle en raison de leur capacité à atteindre des niveaux élevés d'abstraction par des transformations non linéaires consécutives, ce qui permet d'apprendre la représentation optimale à partir de données à haute dimension. Les réseaux neuronaux convolutionnels (CNN) sont un sous-type de DL qui s'avère prometteur dans le domaine de l'analyse d'images médicales, permettant la classification de troubles psychiatriques basés sur des altérations structurelles subtiles et diffuses du cerveau.

Ce projet cherche à mettre en évidence le mérite des approches de pointe en matière de DL, avec pour objectif principal de former une architecture de CNN pour identifier les troubles liés à la consommation de substances (SUD) par rapport à des témoins sains (HC) sur la base de données d'imagerie par résonance magnétique structurelle (sMRI) et de comparer les performances des CNN avec les modèles d'apprentissage machine traditionnels. L'objectif secondaire est d'effectuer une série d'analyses d'interprétabilité sur les réseaux finaux, y compris des explications agnostiques de modèles interprétables locaux profonds (LIME) et un masquage basé sur la théorie afin de fournir des mesures générales des troubles liés à la consommation de substances et des mesures de l'importance spécifique des substances.

Une étude récemment publiée intitulée "Machine Learning Prediction of Early-Onset Alcohol Use : A Cross-Study, Cross-Sample Validation" (Afzali et al., 2019) se concentre sur la modélisation de la prédiction de la consommation d'alcool à un stade précoce afin de mettre en évidence les questions méthodologiques importantes et d'entamer un dialogue sur les meilleures pratiques en matière de psychiatrie de prédiction. Cette étude aborde cinq questions relatives à la modélisation prédictive : 1) l'examen des performances comparatives de différents algorithmes d'apprentissage automatique et l'utilisation potentielle de super-apprenants, 2) le regroupement des caractéristiques et l'analyse de la contribution des domaines, 3) l'extraction des coefficients et l'interprétabilité, 4) les limites de la validation croisée k-fold et la nécessité d'un échantillon d'essai indépendant, et 5) les préoccupations éthiques concernant le concept de "prédiction".

La modélisation informatique des tâches décisionnelles est une méthode puissante d'identification des processus cognitifs complexes qui peuvent être utilisés pour créer une image plus détaillée des mécanismes d'apprentissage sous-jacents. Dans ce travail, nous avons montré comment la combinaison des biais et de la sensibilité aux renforcements constitue un prédicteur fiable du comportement dans un paradigme de prise de décision. Nous avons présenté un modèle informatique hiérarchique bayésien qui tente de saisir des mécanismes d'apprentissage de plus en plus complexes sur la tâche du Paradigme d'apprentissage par évitement passif (PALP), en utilisant un cadre d'apprentissage par renforcement.

La sélection du modèle a été faite sur la base de la précision prédictive, de la validation croisée de l'absence d'un élément et du facteur Bayes. Nous avons illustré l'utilité du modèle sélectionné par l'identification des changements de développement dans les sous-populations, en montrant comment il peut être utilisé pour la classification. Nous avons identifié les changements de développement en matière de biais d'action et de sensibilité à la récompense chez les adolescents, de 12-13 ans à 17 ans. En outre, nous avons mené deux expériences pour évaluer les trajectoires de développement en fonction du sexe et pour un groupe de consommateurs de cannabis à haut risque. Dans ce travail, nous avons réussi à distinguer les changements développementaux qui peuvent être utilisés pour évaluer les trajectoires de maturation divergentes et aider à comprendre l'évolution cognitive pendant l'adolescence. L'importance de ces résultats s'étend à la conception de nouvelles normes de maturité cognitive qui pourraient permettre de mieux diagnostiquer les troubles de santé mentale, tels que la dépression et la dépendance.

Dans un projet innovant, des modèles basés sur les agents (ABM) sont utilisés pour simuler l'avenir de la consommation de substances des participants en connaissant la structure initiale de l'environnement (c'est-à-dire le nombre d'agents initiaux et de consommateurs de substances à apparition précoce, les règles d'interaction, le niveau de risque et le réseau de chaque agent). Les modèles sont calibrés en utilisant les informations initiales des agents recrutés dans chaque étude et en ajustant les hyper paramètres.

Ce type de prévision peut être utilisé non seulement pour la prévision de la consommation de substances, mais aussi pour étudier l'effet d'une intervention pendant une certaine période de temps. Par conséquent, le modèle nous permet de comparer l'avenir de la consommation de substances dans deux scénarios de réception ou de non réception d'une intervention. Ce modèle peut être utilisé pour fournir une analyse coûts-avantages plus précise, pour comparer l'efficacité d'une intervention dans différents scénarios, et pour estimer l'effet de différents aspects de l'intervention au cours de la période pendant laquelle les agents interagissent dans le même environnement.

L'intérêt de la communauté de l'intelligence artificielle/apprentissage machine pour la causalité a considérablement augmenté ces dernières années. L'inférence causale, dont Judea Pearl a été la pionnière, se concentre sur les multiples aspects de la dynamique causale tels que la préséance temporelle, l'association et les contrefactuels, qui peuvent être conceptualisés quantitativement par le biais de graphiques et d'équations structurelles.

L'opportunité exceptionnelle que représente l'accès à plusieurs grandes données multimodales et longitudinales au Venture Lab nous a permis de suivre un axe de recherche axé sur les modèles quantitatifs de la dynamique causale entre les facteurs de risque (par exemple, la consommation de substances, le temps de dépistage) et les résultats psychiatriques (par exemple, la dépression, les expériences de type psychotique), ce qui a donné lieu à six publications dans des revues de haut niveau (par exemple, JAMA psychiatry, JAMA pediatrics). Dans ce domaine de recherche, nous nous sommes concentrés sur la modélisation quantitative de la dynamique causale par des associations avec la précédence temporelle et les processus médiateurs en utilisant la modélisation d'équations structurelles et les modèles bayésiens à plusieurs niveaux. Cette approche quantitative de la dynamique causale ouvre la voie à un projet ambitieux sur la modélisation causale inférentielle dans le contexte de l'apprentissage machine.