This is your brain on disk: the impact of numerical instabilities in neuroscience

La neuroimagerie, un domaine axé sur la compréhension de la structure et de la fonction du cerveau, a évolué pour devenir une discipline informatique. Ces dernières années, grâce à la collecte et à l'évaluation de riches ensembles de données descriptifs, d'innombrables études ont exploré les relations entre l'imagerie par résonance magnétique du cerveau et des informations phénotypiques telles que les pathologies, le sexe ou différents stades de développement. Cependant, comme pour denombreuses disciplines scientifiques modernes, la fiabilité de ces relations dépend de la fiabilité et de l'accessibilité des méthodes et des logiciels de calcul utilisés. Avec l'émergence de problématiques liées à la reproductibilité, les études de neuroimagerie sont l'objet d'un certain scepticisme quant à la robustesse de leurs résultats. Dans certains cas, la reproductibilité peut être garantie par la publication des ensembles de données et des logiciels utilisés. Dans d'autres cas, la sensibilité ou l'instabilité des algorithmes numériques utilisés pour traiter ces données complexes peut générer une variabilité importante et inattendue. Bien qu'une variabilité importante des analyses de neuroimagerie ait été observée à travers la communauté scientifique, du fait de variations dans le choix des méthodes, des suites logicielles, ou même du système d'exploitation utilisé, à ce jour aucune étude n'a caractérisé l'effet de l'erreur machine sur les résultats. Dans cette thèse, j'ai développé une infrastructure pour les environnements de calcul haute performance qui permet l'analyse à grande échellede la stabilité numérique des expériences en neuroimagerie. J’ai utilisé cette infrastructure pour évaluer le rôle que l'incertitude numérique joue dans le calcul de la reproductibilité des résultats. En me concentrant sur la cartographie des connexions entre les régions du cerveau, appelée aussi la connectomique structurelle, j'ai perturbé la création des connectomes et j'ai ensuite évalué la variabilité observée pour caractériser l'accumulation de l'erreur numérique au cours d'une analyse. J'ai découvert que non seulement les erreurs de calcul liées à la représentation des nombres réels en virgule flottante ont un impact considérable sur les résultats, mais qu'elles peuvent aussi aller dans certains cas jusqu'à masquer les différences entre les connectomes de sujets différents. Ces résultats montre de manière empirique l'erreur minimale induite par le modèle flottant dans la chaîne de traitement. Mes travaux s'efforcent aussi d'interpréter la variabilité observée comme un atout de l’analyse de données plutôt que comme une limitation. Mes résultats montrent que non seulement cette variabilité augmente lafiabilité des ensembles de données, mais qu'elle peut aussi être exploitée pour produire des relations cerveau-phénotype plus fortes et plus généralisables. La combinaison de ces résultats démontre, de manière significative, que les erreurs de calcul présentes dans les logiciels de traitement de données conduisent à des différences importantes dans les analyses de neuroimagerie. Toutefois, lorsqu'elles sont prises en compte et expliquées,ces différences peuvent devenir un atout pour les analyses plutôt qu'une limitation. Parallèlement à la présentation de ces analyses, cette thèse présente des outils et un schéma qui peuvent être suivis pour l'exploration plus approfondie de l'incertitude numérique et le rôle qu'elle peut jouer dans notre compréhension du cerveau

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.