Affichage des articles dont le libellé est algorithme. Afficher tous les articles
Affichage des articles dont le libellé est algorithme. Afficher tous les articles

06 juin 2017

Mécanismes fonctionnels encodant la direction des regards des autres dans le système nerveux humain

Aperçu: G.M.
La direction du regard des autres est un signal social fort pour leurs intentions et leurs comportements futurs. Une recherche électrophysiologique pionnière a identifié des populations de cellules dans le cortex visuel de primate qui sont accordées aux directions spécifiques du regard observé, mais l'architecture fonctionnelle de ce système doit encore être précisément spécifiée.
Les chercheurs ont développé un modèle de calcul sur la façon dont la direction du regard des autres est encodée de manière flexible à travers les canaux sensoriels dans le système de regard.  
Ils ont incorporé la normalisation conflictuelle des réponses sensorielles - un mécanisme de calcul qui est considéré comme répandu dans les systèmes sensoriels mais qui n'a pas été examiné dans le contexte de la vision sociale. Les chercheurs démontrent que le fonctionnement de la normalisation conflictuelle dans le système du regard prédit un modèle surprenant et distinctif de changements perceptuels après l'adaptation sensorielle aux stimuli du regard et que ces prédictions correspondent étroitement aux effets psychophysiques de l'adaptation chez les observateurs humains.  
Ces résultats révèlent les principes fonctionnels qui régissent l'encodage neuronal de la direction du regard et soutiennent la notion que la normalisation conflictuelle est une caractéristique canonique de la fonction du système nerveux. En outre, cette recherche fournit une base solide pour tester les théories récapitulatives récentes des états neuropsychiatriques dans lesquels le traitement du regard est compromis, comme l'autisme et la schizophrénie. 

J Cogn Neurosci. 2017 May 30:1-14. doi: 10.1162/jocn_a_01150.

Functional Mechanisms Encoding Others' Direction of Gaze in the Human Nervous System

Author information

1
UNSW Australia.

Abstract

The direction of others' gaze is a strong social signal to their intentions and future behavior. Pioneering electrophysiological research identified cell populations in the primate visual cortex that are tuned to specific directions of observed gaze, but the functional architecture of this system is yet to be precisely specified. Here, we develop a computational model of how others' gaze direction is flexibly encoded across sensory channels within the gaze system. We incorporate the divisive normalization of sensory responses-a computational mechanism that is thought to be widespread in sensory systems but has not been examined in the context of social vision. We demonstrate that the operation of divisive normalization in the gaze system predicts a surprising and distinctive pattern of perceptual changes after sensory adaptation to gaze stimuli and find that these predictions closely match the psychophysical effects of adaptation in human observers. We also find that opponent coding, broadband multichannel, and narrowband multichannel models of sensory coding make distinct predictions regarding the effects of adaptation in a normalization framework and find evidence in favor of broadband multichannel coding of gaze. These results reveal the functional principles that govern the neural encoding of gaze direction and support the notion that divisive normalization is a canonical feature of nervous system function. Moreover, this research provides a strong foundation for testing recent computational theories of neuropsychiatric conditions in which gaze processing is compromised, such as autism and schizophrenia.
PMID: 28557689
DOI: 10.1162/jocn_a_01150

31 juillet 2016

*Dossier de santé électronique basé sur l'algorithme pour identifier les patients avec trouble du spectre de l'autisme

Traduction: G.M.

PLoS One. 2016 Jul 29;11(7):e0159621. doi: 10.1371/journal.pone.0159621.

Electronic Health Record Based Algorithm to Identify Patients with Autism Spectrum Disorder

Author information

  • 1Cincinnati Children's Hospital Medical Center, Division of Biomedical Informatics, Cincinnati, Ohio, United States of America.
  • 2Boston Children's Hospital, Center for Systems Biology, Boston, Massachusetts, United States of America.
  • 3Vanderbilt University School of Medicine, Biomedical Informatics, Nashville, Tennessee, United States of America.
  • 4Harvard Medical School, Center for Biomedical Informatics, Boston, Massachusetts, United States of America.
  • 5University of Cincinnati, Department of Pediatrics, Cincinnati, Ohio, United States of America.
  • 6Cincinnati Children's Hospital Medical Center, Division of Developmental and Behavioral Pediatrics, Cincinnati, Ohio, United States of America.
  • 7Boston Children's Hospital, Pediatrics, Boston, Massachusetts, United States of America.
  • 8Boston Children's Hospital, Developmental Medicine, Boston, Massachusetts, United States of America.
  • 9Boston Children's Hospital, Neurology and Center for Communication Enhancement, Boston, Massachusetts, United States of America.
  • 10Children's Hospital Boston, Division of Medicine, Boston, Massachusetts, United States of America.
  • 11Children's Hospital of Philadelphia, Center for Applied Genomics, Philadelphia, Pennsylvania, United States of America.
  • 12Vanderbilt University Medical Center, Vanderbilt Institute for Clinical and Translational Research, Nashville, Tennessee, United States of America.
  • 13Boston Children's Hospital, Division of Genetics and Genomics, Boston, Massachusetts, United States of America.
  • 14Cincinnati Children's Hospital Medical Center, Center for Autoimmune Genomics and Etiology, Cincinnati, Ohio, United States of America.
  • 15University of Cincinnati, College of Medicine, Cincinnati, Ohio, United States of America.
  • 16Harvard Medical School, Pediatrics, Boston, Massachusetts, United States of America.
  • 17Boston Children's Hospital, Manton Center for Orphan Disease Research, Boston, Massachusetts, United States of America.
  • 18Cincinnati Children's Hospital Medical Center, Emergency Medicine, Cincinnati, Ohio, United States of America.
  • 19Perelman School of Medicine, Pediatrics, Philadelphia, Pennsylvania, United States of America.
  • 20Boston Children's Hospital, Children's Hospital Informatics Program, Boston, Massachusetts, United States of America.
  • 21United States Department of Veterans Affairs Medical Center, Medicine, Cincinnati, Ohio, United States of America.

Abstract

OBJECTIVE:

Cohort selection is challenging for large-scale electronic health record (EHR) analyses, as International Classification of Diseases 9th edition (ICD-9) diagnostic codes are notoriously unreliable disease predictors. Our objective was to develop, evaluate, and validate an automated algorithm for determining an Autism Spectrum Disorder (ASD) patient cohort from EHR. We demonstrate its utility via the largest investigation to date of the co-occurrence patterns of medical comorbidities in ASD.
La sélection d'une cohorte est difficile pour les analyse de dossier de santé électronique à grande échelle (DSE) , comme la Classification internationale des maladies, 9e édition (CIM-9) les codes de diagnostic sont des facteurs prédictifs de la maladie notoirement peu fiables. Notre objectif était de développer, d'évaluer et de valider un algorithme automatisé pour la détermination d'un trouble du spectre de l'autisme (TSA) dans une cohorte de patients à partir du DSE. Nous démontrons son utilité via la plus grande enquête à ce jour des modèles de co-occurrence de comorbidités médicales dans le TSA.

METHODS:

We extracted ICD-9 codes and concepts derived from the clinical notes. A gold standard patient set was labeled by clinicians at Boston Children's Hospital (BCH) (N = 150) and Cincinnati Children's Hospital and Medical Center (CCHMC) (N = 152). Two algorithms were created: (1) rule-based implementing the ASD criteria from Diagnostic and Statistical Manual of Mental Diseases 4th edition, (2) predictive classifier. The positive predictive values (PPV) achieved by these algorithms were compared to an ICD-9 code baseline. We clustered the patients based on grouped ICD-9 codes and evaluated subgroups.
Nous avons extrait les codes CIM-9 et les concepts issus des notes cliniques. Un ensemble de patients standard idéal a été caractérisé par des cliniciens de l'hôpital pour enfants de Boston (BCH) (N = 150) et de l'Hôpital et Centre médical pour enfants de Cincinnati (CCHMC) (N = 152). Deux algorithmes ont été créés: (1) à base de règles mettant en œuvre les critères TSA du Manuel diagnostique et statistique des maladies mentales 4e édition, (2) un classificateur prédictif. Les valeurs prédictives positives (PPV) obtenues par ces algorithmes ont été comparées à un code de référence de la CIM-9. Nous regroupé les patients sur la base des codes CIM-9 et des sous-groupes évalués.

RESULTS:

The rule-based algorithm produced the best PPV: (a) BCH: 0.885 vs. 0.273 (baseline); (b) CCHMC: 0.840 vs. 0.645 (baseline); (c) combined: 0.864 vs. 0.460 (baseline). A validation at Children's Hospital of Philadelphia yielded 0.848 (PPV). Clustering analyses of comorbidities on the three-site large cohort (N = 20,658 ASD patients) identified psychiatric, developmental, and seizure disorder clusters.
L'algorithme fondé sur des règles a produit le meilleur PPV: (a) BCH: 0,885 vs 0,273 (ligne de base); (B) CCHMC: 0,840 vs 0,645 (ligne de base); (C) combiné: 0,864 vs 0,460 (ligne de base). Une validation à l'Hôpital pour enfants de Philadelphie a donné 0,848 (PPV). Les analyses de regroupement de comorbidités sur vaste cohorte à  trois sites (patients N = 20658 TSA) ont identifiés des groupement de troubles psychiatriques, de développement, et de convulsion.

CONCLUSIONS:

In a large cross-institutional cohort, co-occurrence patterns of comorbidities in ASDs provide further hypothetical evidence for distinct courses in ASD. The proposed automated algorithms for cohort selection open avenues for other large-scale EHR studies and individualized treatment of ASD.
Dans une large cohorte interinstitutionnelle, les modèles de co-occurrence de comorbidités dans les TSA apportent une preuve supplémentaire hypothétique pour des trajectoires distinctes dans le TSA. Les algorithmes automatisés proposés pour la sélection de cohorte ouvrent des voies pour d'autres études de DSE à grande échelle et un traitement individualisé des TSA.
PMID: 27472449