Neuroimage Clin. 2015; 7: 506 – 517.
Publié en ligne le 13 janvier 2015. doi: 10.1016/j.nicl.2015.01.005
PMCID: PMC4338207
Arpana Gupta,a,b,c Emeran A. Mayer,a,b,c,d Claudia P. Sanmiguel,a,b,c John D. Van Horn,f Davis Woodworth,a,g Benjamin M. Ellingson,a,g Connor Fling,a Aubrey Love,a Kirsten Tillisch,a,b,c,e et Jennifer S. Labusa,b,c,*
Abstract
Présentation
Des altérations de la composante hédonique des comportements ingestifs ont été impliquées en tant que facteur de risque possible dans la physiopathologie des individus en surpoids et obèses. Les données de neuroimagerie d'individus dont l'indice de masse corporelle est en augmentation suggèrent des altérations structurelles, fonctionnelles et neurochimiques du réseau de récompense étendu et des réseaux associés.
Objectif
Appliquer une analyse de modèle multivariée pour distinguer les sujets de poids normal et en surpoids sur la base de mesures de la substance grise et de la substance blanche.
Méthodologie
Des images structurelles ( N = 120, dont 63 en surpoids) et des images de tenseur de diffusion (DTI) ( N = 60, dont 30 en surpoids) ont été obtenues auprès de sujets témoins sains. Pour l'ensemble de l'échantillon, l'âge moyen était de 28.77 ans (écart-type = 9.76) dans le groupe en surpoids (32 femmes et 31 hommes) et de 27.13 ans (écart-type = 9.62) dans le groupe de poids normal (32 femmes et 25 hommes). La segmentation régionale et le découpage des images cérébrales ont été réalisés à l'aide de Freesurfer. Une tractographie déterministe a été effectuée afin de mesurer la densité normalisée des fibres entre les régions. Une analyse multivariée des patrons a été utilisée pour déterminer si les mesures cérébrales permettent de distinguer les personnes en surpoids de celles de poids normal.
Résultats
1. Classification de la substance blanche : L’algorithme de classification, basé sur deux signatures et 17 connexions régionales, a atteint une précision de 97 % pour la discrimination des personnes en surpoids par rapport aux personnes de poids normal. Pour les deux signatures cérébrales, une connectivité accrue, indexée par une densité de fibres plus élevée, a été observée chez les personnes en surpoids par rapport à celles de poids normal entre les régions du circuit de la récompense et les régions des réseaux de contrôle exécutif, d’activation émotionnelle et somatosensoriel. À l’inverse, le schéma inverse (diminution de la densité de fibres) a été constaté entre le cortex préfrontal ventromédian et l’insula antérieure, ainsi qu’entre le thalamus et les régions du circuit de contrôle exécutif. 2. Classification de la substance grise : L’algorithme de classification, basé sur deux signatures et 42 caractéristiques morphologiques, a atteint une précision de 69 % pour la discrimination des personnes en surpoids par rapport à celles de poids normal. Dans les deux signatures cérébrales, les régions des réseaux de la récompense, de la saillance, de contrôle exécutif et d’activation émotionnelle étaient associées à des valeurs morphologiques plus faibles chez les personnes en surpoids par rapport à celles de poids normal, tandis que le schéma inverse a été observé pour les régions du réseau somatosensoriel.
Conclusions
1. Une augmentation de l'IMC (c.-à-d. Des sujets en surpoids) est associée à des changements distincts dans la matière grise et la densité de fibres du cerveau. 2. Des algorithmes de classification basés sur la connectivité de la substance blanche impliquant des régions de la récompense et des réseaux associés peuvent identifier des cibles spécifiques pour les études mécanistes et le développement futur de médicaments visant le comportement ingéré anormal et le surpoids / obésité.
1.0. introduction
L’Organisation mondiale de la Santé estime que près d’un demi-milliard d’adultes sont obèses et que plus du double sont en surpoids, contribuant à l’augmentation de maladies telles que le diabète, les maladies cardiovasculaires et le cancer, et entraînant le décès d’au moins 2.8 millions de personnes chaque année ( OMS, 2014 ). Aux États-Unis seulement, jusqu’à 34.9 % des adultes sont obèses et deux fois plus (65 %) sont en surpoids ou obèses ( CDC, 2014 ). Le fardeau économique et sanitaire du surpoids et de l’obésité continue de faire grimper les coûts des soins de santé à près de 78.5 milliards de dollars ( Finkelstein et al., 2009 ), et des milliards de dollars sont encore dépensés pour des traitements et des interventions inefficaces ( Loveman et al., 2011 ; Terranova et al., 2012 ). Malgré les nombreux efforts déployés pour identifier la physiopathologie sous-jacente du surpoids et de l’obésité, les connaissances actuelles restent insuffisantes.
Les facteurs environnementaux et génétiques jouent tous un rôle dans le développement du surpoids et de l'obésité chez l'homme (Calton et Vaisse, 2009; Choquet et Meyre, 2011; Dubois et al., 2012; El-Sayed Moustafa et Froguel, 2013). Des études récentes en neuroimagerie ont montré qu'un indice de masse corporelle (IMC) élevé était associé à des altérations de la fonctionnalité (tâche et état de repos) (Connolly et al., 2013; Garcia-Garcia et al., 2013; Kilpatrick et al., 2014; Kullmann et al., 2012), morphométrie de la substance grise (Kurth et al., 2013; Raji et al., 2010) et les propriétés de la matière blanche (Shott et al., 2014; Stanek et al., 2011), suggérant un rôle possible du cerveau dans la physiopathologie de la surcharge pondérale et de l'obésité (Das, 2010). Ces études impliquent largement les régions du réseau de récompense (Kenny, 2011; Volkow et al., 2004; Volkow et al., 2008; Volkow et al., 2011) et trois réseaux étroitement liés liés à la saillance (Garcia-Garcia et al., 2013; Morrow et al., 2011; Seeley et al., 2007a), contrôle exécutif (Seeley et al., 2007b), et l'excitation émotionnelle (Menon et Uddin, 2010; Zald, 2003) (Fig. 1).
La présente étude visait à vérifier l’hypothèse générale selon laquelle les interactions entre les régions de ces réseaux diffèrent entre les individus en surpoids et les individus de poids normal, et nous avons appliqué le traitement des données de neuro-imagerie de pointe à la pointe de la technologie, la visualisation et l’analyse multivariée de modèles. cette hypothèse. La disponibilité de pipelines de traitement de données et d'algorithmes statistiques plus efficaces et plus intensifs en calcul permet une caractérisation morphologique et anatomique plus large du cerveau chez les individus présentant un IMC élevé par rapport aux individus de poids normal. L'analyse de classification multivariée de modèles permet d'examiner le modèle distribué des régions discriminant le surpoids par rapport aux individus de poids normal.
Dans cette étude, un algorithme d'apprentissage supervisé est appliqué aux mesures de la morphométrie du cerveau régional et de la densité de fibres de matière blanche (mesure de la connectivité entre des régions spécifiques du cerveau) afin de vérifier l'hypothèse selon laquelle le surpoids est associé à des profils distincts ou à des signatures cérébrales comprenant des régions de la récompense, la saillance, le contrôle exécutif et les réseaux d'excitation émotionnelle. Les résultats suggèrent que la connectivité régionale, et moins la morphométrie cérébrale, peuvent être utilisées pour distinguer les individus en surpoids par rapport aux individus de poids normal. Les résultats fournissent un algorithme prédictif basé sur l'imagerie multimodale du cerveau et identifient des cibles spécifiques pour des investigations mécanistes plus poussées.
2.0. Les méthodes
2.1. Participants
L'échantillon total était composé de 120 volontaires sains, droitiers, participant à des études de neuro-imagerie au Centre de neurobiologie du stress entre 2010 et 2014. Les participants ont été recrutés par le biais d'annonces diffusées à l'UCLA et dans la région de Los Angeles. Toutes les procédures étaient conformes aux principes de la Déclaration d'Helsinki et ont été approuvées par le Comité d'éthique de la recherche de l'UCLA (numéros d'approbation 11-000069 et 12-001802). Tous les participants ont donné leur consentement éclairé par écrit. Tous les participants ont été classés comme sains après une évaluation clinique comprenant une version modifiée de l'Entretien Mini-International Neuropsychiatrique Plus 5.0 ( Sheehan et al., 1998 ). Les critères d'exclusion étaient la toxicomanie, la grossesse, la dépendance au tabac, une chirurgie abdominale, des facteurs de risque vasculaire, une chirurgie bariatrique, une activité physique excessive (plus d'une heure par jour et la pratique du marathon) ou une maladie psychiatrique. Bien que souvent associées à un IMC élevé, les personnes souffrant d'hypertension, de diabète ou de syndrome métabolique ont été exclues afin de réduire l'hétérogénéité de la population. De plus, les sujets présentant des troubles du comportement alimentaire, notamment des troubles digestifs ou de l'alimentation tels que l'anorexie mentale ou la boulimie, ont été exclus pour la même raison. Bien qu'un IMC compris entre 25 et 29.9 soit considéré comme un surpoids, il a été inclus dans le groupe « IMC élevé » de notre étude. Les sujets de poids normal ont été recrutés avec un IMC inférieur à 25 et ont été inclus dans le groupe « IMC normal » de notre étude. Aucun sujet ne pesait plus de 1 kg (400 lb) en raison des limites de poids imposées par l'IRM.
2.2. Caractéristiques de l'échantillon
Des questionnaires validés ont été remplis avant l'examen et ont servi à mesurer les symptômes d'anxiété et de dépression actuels (échelle HAD [Hospital Anxiety and Depression Scale]) ( Zigmond et Snaith, 1983 ). L'échelle HAD est un questionnaire d'auto-évaluation en 14 points qui évalue les symptômes d'anxiété et de dépression chez les sujets au début de l'étude ( Zigmond et Snaith, 1983 ). Par ailleurs, les sujets avaient préalablement passé un entretien psychiatrique structuré (Mini International Neuropsychiatric Interview, MINI) afin d'évaluer leurs antécédents de troubles psychiatriques ( Sheehan et al., 1998 ).
2.3. acquisition IRMf
2.3.1. IRM structurelle (matière grise)
Cent vingt sujets ( N = 120, dont 63 avec un IMC élevé) ont été examinés par IRM sur un appareil Siemens TRIO 3 Tesla après repérage de la tête par une coupe sagittale. Les images structurelles ont été obtenues à partir de quatre séquences d'acquisition différentes, selon un protocole MP-RAGE (écho de gradient rapide préparé par magnétisation) 3D pondéré T1 sagittal haute résolution. Les paramètres d'acquisition sont les suivants : 1. TR = 2200 ms, TE = 3.26 ms, angle de bascule (FA) = 9°, taille de voxel : 1 mm³ . 2. TR = 2200 ms, TE = 3.26 ms, FA = 20°, taille de voxel : 1 mm³. 3. TR = 20 ms, TE = 3 ms, FA = 25°, taille de voxel : 1 mm³ . 4. TR = 2300 ms, TE = 2.85 ms, FA = 9, taille des voxels : 1 mm³ . L’influence du protocole d’acquisition sur les différences de volume total de matière grise (VTMG) a été évaluée. Plus précisément, un modèle linéaire général (GLM) a été appliqué pour déterminer l’influence du protocole sur le VTMG, en contrôlant l’âge. Les résultats ont indiqué que les différents protocoles n’étaient pas comparables ( F (3) = 6.333, p = 0,053).
2.3.2. Connectivité anatomique (substance blanche) IRM
Un sous-ensemble de l'échantillon initial ( N = 60, dont 30 avec un IMC élevé) a subi des IRM de diffusion (IRM-D) selon deux protocoles d'acquisition comparables. Plus précisément, les IRM-D ont été acquises dans 61 ou 64 directions non colinéaires avec b = 1000 s/mm² , avec respectivement 8 ou 1 image b = 0 s/mm² . Les deux protocoles présentaient un TR = 9400 ms, un TE = 83 ms et un champ de vision (FOV) de 256 mm, avec une matrice d'acquisition de 128 × 128 et une épaisseur de coupe de 2 mm, produisant des voxels isotropes de 2 × 2 × 2 mm³.
2.4. traitement IRMf
2.4.1. Segmentation structurelle (matière grise) et parcellisation
La segmentation des images T1 et le découpage régional ont été réalisés à l'aide de FreeSurfer ( Dale et al., 1999 ; Fischl et al., 1999 , 2002 ) selon la nomenclature décrite dans Destrieux et al. (2010) . Pour chaque hémisphère cérébral, 74 structures corticales bilatérales ont été identifiées, ainsi que 7 structures sous-corticales et le cervelet. Les résultats de la segmentation pour un sujet type sont présentés dans la figure 2A. Une structure médiane supplémentaire (le tronc cérébral, incluant des parties du mésencéphale telles que l'aire tegmentale ventrale [ATV] et la substance noire) a également été intégrée, portant ainsi à 165 le nombre total de segments pour l'ensemble du cerveau. Quatre mesures morphologiques représentatives ont été calculées pour chaque segment cortical : le volume de matière grise (VMG), la surface corticale (SC), l'épaisseur corticale (EC) et la courbure moyenne (CM). Les flux de travail de traitement des données ont été conçus et mis en œuvre au sein du pipeline du Laboratoire de neuroimagerie (LONI) ( http://pipeline.loni.usc.edu ).
2.4.2. Connectivité anatomique (matière blanche)
Les images pondérées en diffusion (DWI) ont été corrigées des mouvements et utilisées pour calculer les tenseurs de diffusion, réorientés rotationnellement à chaque voxel. Les images de tenseurs de diffusion ont été réalignées par interpolation trilinéaire des tenseurs transformés logarithmiquement, comme décrit dans Chiang et al. ( Chiang et al., 2011 ), puis rééchantillonnées à une résolution isotrope (2 × 2 × 2 mm³ ) . Les flux de traitement des données ont été créés à l'aide du pipeline LONI.
La connectivité de la substance blanche de chaque sujet a été estimée entre les 165 régions cérébrales identifiées sur les images structurelles ( Fig. 2B ) par tractographie DTI. La tractographie a été réalisée à l'aide de l'algorithme FACT (Fiber Assignment by Continuous Tracking) ( Mori et al., 1999 ) et du logiciel TrackVis ( http://trackvis.org ) ( Irimia et al., 2012 ). L'estimation finale de la connectivité de la substance blanche entre chaque région cérébrale a été déterminée en fonction du nombre de faisceaux de fibres intersectant chaque région, normalisé par le nombre total de faisceaux de fibres dans l'ensemble du cerveau. Ces données ont ensuite été utilisées pour la classification.
2.5. Moindres carrés partiels épars - analyse discriminante (sPLS-DA)
Afin de déterminer si les marqueurs cérébraux peuvent prédire un IMC élevé (surpoids vs poids normal), nous avons utilisé la méthode sPLS-DA. Cette méthode est une forme de régression PLS parcimonieuse, mais la variable réponse est catégorielle, indiquant l'appartenance à un groupe ( Lê Cao, 2008a ; Lê Cao et al., 2009b , 2011 ). La méthode sPLS-DA s'est avérée particulièrement efficace avec un grand nombre de prédicteurs, un petit échantillon et une forte colinéarité entre les prédicteurs ( Lê Cao, 2008a ; Lê Cao et al., 2009b , 2011 ). La méthode sPLS maximise la covariance de l'échantillon entre les mesures cérébrales et un contraste de différence entre les groupes. Elle effectue simultanément la sélection des variables et la classification à l'aide d'une pénalisation lasso ( Lê Cao et al., 2009a ). L'analyse discriminante par moindres carrés partiels (sPLS-DA) utilise un cadre supervisé pour former des combinaisons linéaires des prédicteurs en fonction de l'appartenance à une classe. Elle réduit la dimensionnalité des données en identifiant un ensemble de composantes orthogonales, chacune constituée d'un ensemble de caractéristiques ou de variables sélectionnées. Ces composantes sont appelées signatures cérébrales. Chaque variable composant une signature cérébrale possède un « coefficient de pondération », qui mesure son importance relative pour la discrimination entre les deux groupes ( Lê Cao et al., 2008b ). De plus, les scores d'importance des variables dans la projection (VIP) ont été calculés afin d'estimer l'importance de chaque variable utilisée dans le modèle PLS. Le score VIP est une somme pondérée des coefficients de pondération, qui prend en compte la variance expliquée de chaque signature. La moyenne des carrés des scores VIP est égale à 1. Les prédicteurs dont le coefficient VIP est supérieur à 1 sont considérés comme particulièrement importants pour la classification ( Lê Cao et al., 2008b ).
2.5.1. Développement du modèle prédictif
Le nombre de signatures cérébrales pour chaque analyse a été fixé à deux ( Lê Cao et al., 2008b ). Une analyse de stabilité a permis de déterminer le nombre optimal de régions cérébrales pour chaque signature ( Lê Cao et al., 2011 ). Dans un premier temps, la méthode sPLS-DA a été appliquée à un ensemble de variables (5 à 200) à sélectionner pour chacune des deux signatures cérébrales. Pour chaque valeur du nombre de variables à sélectionner, une validation croisée à 10 plis a été réalisée 100 fois. Cette procédure de validation croisée divise les données d'entraînement en 10 plis ou sous-échantillons ( n = 12 ensembles de test). Un sous-échantillon est réservé aux données de test, les autres servant à l'entraînement du modèle. La stabilité des variables est déterminée en calculant le nombre de fois où une variable spécifique est sélectionnée au cours de toutes les validations croisées. Seules les variables cérébrales présentant une stabilité supérieure à 80 % ont été utilisées pour élaborer le modèle final.
2.6. analyses statistiques
2.6.1. Moindres carrés partiels épars - analyse discriminante (sPLS-DA)
L'analyse discriminante par la méthode sPLS (sPLS-DA) a été réalisée à l'aide du package R mixOmics ( http://www.R-project.org ). Nous avons examiné séparément le pouvoir prédictif de la morphométrie cérébrale et de la connectivité anatomique DTI. Outre la morphométrie cérébrale régionale et la connectivité anatomique régionale, l'âge et le volume total de matière grise (GMV) ont été inclus comme prédicteurs potentiels. Pour les données morphologiques obtenues, les mesures de GMV, de surface (SA), d'épaisseur corticale (CT) et de densité moléculaire (MC) ont été intégrées au modèle. Pour les données de connectivité anatomique DTI, les matrices spécifiques à chaque sujet, indexant la densité relative des fibres entre les 165 régions, ont été transformées en matrices unidimensionnelles contenant 1 13,530 connectivités uniques (triangle supérieur de la matrice initiale). Ces matrices ont ensuite été concaténées pour l'ensemble des sujets et intégrées à l'analyse sPLS-DA. Dans une première étape de réduction des données, les prédicteurs à variance quasi nulle ont été éliminés, ce qui a permis de conserver 369 connexions. Les signatures cérébrales ont été résumées à l'aide des coefficients de pondération des variables sur les différentes dimensions et des coefficients VIP. Nous utilisons également des représentations graphiques pour illustrer les capacités discriminatives des algorithmes ( Lê Cao et al., 2011 ). La capacité prédictive des modèles finaux a été évaluée par validation croisée « leave-one-out ». Nous avons également calculé des mesures de classification binaire : sensibilité, spécificité, valeur prédictive positive (VPP) et valeur prédictive négative (VPN). La sensibilité mesure la capacité de l’algorithme de classification à identifier correctement les personnes en surpoids. La spécificité reflète sa capacité à identifier correctement les personnes de poids normal. La VPP correspond à la proportion de l’échantillon présentant la signature cérébrale spécifique du surpoids identifiée par l’algorithme de classification et correspondant à un surpoids avéré (vrais positifs). La VPN, quant à elle, représente la probabilité qu’un résultat négatif indique que le participant ne présente pas la signature cérébrale spécifique du surpoids (vrais négatifs).
2.6.2. Caractéristiques de l'échantillon
Les analyses statistiques ont été réalisées à l'aide du logiciel SPSS (version 19). Les différences entre les groupes concernant les scores des mesures comportementales ont été évaluées par une analyse de variance (ANOVA). Le seuil de signification a été fixé à p < 05 (non corrigé).
3.0. Résultats
3.1. Caractéristiques de l'échantillon
L’échantillon total ( N = 120) comprenait 63 personnes en surpoids (32 femmes et 31 hommes), d’âge moyen 28.77 ans (écart-type : 9.76), et 57 personnes de poids normal (32 femmes et 25 hommes), d’âge moyen 27.13 ans (écart-type : 9.62). Bien que le groupe en surpoids ait présenté une tendance à des niveaux d’anxiété et de dépression plus élevés, aucune différence significative n’a été observée entre les groupes ( F = 642, p = 425 ; F = 001, p = 980). Les caractéristiques cliniques de l’échantillon sont résumées dans le tableau 1.
3.2. Analyses multivariées de modèles utilisant sPLS-DA
3.2.1. Classification basée sur la connectivité anatomique (matière blanche)
Nous avons examiné si la connectivité anatomique de la substance blanche cérébrale pouvait permettre de distinguer les individus en surpoids de ceux de poids normal. La figure 3A représente les individus de l'échantillon en fonction des deux signatures cérébrales et illustre les capacités discriminantes du classificateur de substance blanche. Les mesures de classification binaire calculées indiquent une sensibilité de 97 %, une spécificité de 87 %, une VPP de 88 % et une VPN de 96 %. Le tableau 2 présente la liste des connexions stables de substance blanche composant chaque signature cérébrale discriminante, ainsi que les coefficients de pondération des variables et les coefficients VIP.
3.2.2. Signature du cerveau basée sur la connectivité anatomique 1
La première signature cérébrale représente 63% de la variance. Comme indiqué par les coefficients VIP, les variables de la solution expliquant la plus grande variance incluaient 1) les connexions entre les régions du réseau de récompenses (putamen, pallidum, tronc cérébral [y compris les régions du mésencéphale telles que la VTA et la substantia nigra]) les réseaux de contrôle (précuneus faisant partie du cortex pariétal postérieur), de saillance (insula antérieure), d'excitation émotionnelle (cortex préfrontal ventromédial) et somatosensoriel (gyrus post-central); 2) des régions du réseau d'excitation émotionnelle (cortex médiculaire antérieur, cortex préfrontal ventromédial) avec des régions des réseaux de saillance (insula antérieure) et somatosensoriel (lobule paracentral, y compris le cortex moteur supplémentaire); et 3) thalamus avec le gyrus occipital moyen et le thalamus avec une région de réseau de contrôle exécutif (cortex préfrontal latéral dorsal).
Comparé au groupe de poids normal, le groupe en surpoids a montré une plus grande connectivité des régions du réseau de récompenses (putamen, pallidum, tronc cérébral) au réseau de contrôle exécutif (cortex pariétal postérieur), et du putamen à une partie inhibitrice du réseau d’excitation émotionnelle ( cortex préfrontal ventromédial) et aux régions du réseau somatosensoriel (gyrus postérieur et insula postérieur). Une connectivité plus faible a été observée dans le groupe en surpoids dans les régions allant du réseau d'éveil émotionnel (cortex préfrontal ventromédial) au réseau saillant (insula antérieure), mais une connectivité plus importante dans le groupe en surpoids provenant des régions du réseau d'éveil émotionnel (cortex préfrontal ventromedial) au réseau somatosensoriel (insula postérieure). Une connectivité plus faible a également été observée dans le groupe en surpoids dans les connexions du somatosensoriel (lobule paracentral) au cortex midculaire antérieur, mais une connectivité plus élevée du lobule paracentral au sulcus sous-parivalaire (partie du réseau somatosensoriel). En ce qui concerne les connexions thalamiques, une connectivité inférieure a été observée entre le thalamus et le cortex préfrontal latéral dorsal (réseau de contrôle exécutif) et le gyrus occipital moyen chez les individus en surpoids par rapport aux individus de poids normal.
3.2.3. Signature du cerveau basée sur la connectivité anatomique 2
La deuxième signature cérébrale anatomique identifiée représentait un 12% supplémentaire de la variance dans les données. Les variables ayant le plus varié dans la discrimination de groupe, comme l'indique le coefficient VIP, incluaient les connexions dans les régions de la récompense (putamen, sulci orbitaire qui fait partie du gyrus orbital frontal et du tronc cérébral) et l'excitation émotionnelle (gyrus droit qui est le médial). partie du cortex préfrontal ventromédial).
Chez les individus en surpoids par rapport aux individus de poids normal, une plus grande connectivité a été observée entre les régions du réseau de récompenses (tronc cérébral et putamen) et le contrôle exécutif (cortex préfrontal latéral dorsal) et la partie inhibitrice de l'excitation émotionnelle (cortex préfrontal ventromédial). Cependant, la connectivité entre le gyrus occipital et le gyrus frontal orbital (réseau de récompense) était plus faible chez les individus en surpoids par rapport aux individus de poids normal.
3.2.4. Classification morphométrique basée sur la matière grise
Nous avons examiné si la morphométrie cérébrale (volume de matière grise, surface, épaisseur corticale et courbure moyenne) permettait de distinguer les individus en surpoids de ceux de poids normal. La figure 3B représente les individus de l'échantillon en fonction des deux signatures cérébrales et illustre les capacités discriminantes du classificateur morphométrique. Les mesures de classification binaire calculées indiquent une sensibilité de 69 %, une spécificité de 63 %, une VPP de 66 % et une VPN de 66 %. Le tableau 3 présente la liste des mesures morphométriques composant chaque critère discriminant, ainsi que les coefficients de pondération des variables et les coefficients VIP.
3.2.5. Signature du cerveau basée sur la morphologie 1
La première signature cérébrale expliquait 23 % de la variabilité des données phénotypiques morphométriques. D'après les coefficients VIP, les variables contribuant le plus à la variance de cette signature incluaient des régions des réseaux de la récompense (sous-régions du gyrus orbitofrontal), de la saillance (insula antérieure), du contrôle exécutif (cortex préfrontal dorsolatéral), de l'activation émotionnelle (cortex préfrontal ventromédian) et somatosensoriel (sillon précentral, gyrus supramarginal, sillon subcentral, sillon frontal supérieur). Des coefficients VIP élevés ont également été observés pour le gyrus et le sillon frontal supérieur, le gyrus temporal supérieur, les gyri frontopolaires transverses et le gyrus temporal transverse antérieur. Les régions des réseaux de la récompense, de la saillance, du contrôle exécutif et de l'activation émotionnelle étaient associées à des valeurs plus faibles chez les personnes en surpoids que chez celles de poids normal. De plus, les personnes en surpoids présentaient des valeurs plus élevées dans les régions du réseau somatosensoriel que celles de poids normal . La morphométrie des régions frontales et temporales (gyrus temporal supérieur et gyrus temporal transverse antérieur) était également associée à des valeurs plus faibles chez les personnes en surpoids par rapport aux personnes de poids normal.
3.2.6. Signature du cerveau basée sur la morphologie 2
La deuxième signature morphologique du cerveau explique 32% de la variance. Les variables avec les coefficients VIP les plus élevés étaient similaires aux coefficients VIP observés dans la signature cérébrale 1 en ce qu’elles incluaient des régions de la récompense (caudée), de la saillance (insula antérieure), du contrôle exécutif (parties du cortex pariétal postérieur), de l’excitation émotionnelle (parahippocampe gyrus, cortex cingulaire antérieur sous-génital et cortex cingulaire antérieur) et réseaux somatosensoriel (insula postérieure et lobule paracentral). Cependant, la signature cérébrale 2 par rapport à la signature cérébrale 1 n’avait qu’une connexion du réseau de récompenses et davantage de connexions de régions des réseaux de saillance et d’excitation émotionnelle.
Chez les personnes en surpoids, comparativement aux personnes de poids normal, on a observé des valeurs plus faibles de morphométrie dans les réseaux de récompense, de saillance, de contrôle exécutif et d'excitation émotionnelle, mais des valeurs plus élevées dans le réseau somatosensoriel.
4.0. Discussion
Le but de cette étude était de déterminer si les modèles morphologiques et anatomiques de connectivité cérébrale (basés sur la densité de fibres entre des régions cérébrales spécifiques) peuvent discriminer les individus en surpoids des individus de poids normal. Les principales conclusions sont: 1. La connectivité anatomique (densité relative des régions de matière blanche entre régions) a permis de distinguer les sujets présentant un IMC différent, avec une sensibilité élevée (97%) et une spécificité (87%). 2. En revanche, les modifications morphologiques de la matière grise avaient une précision de classification non optimale. 3. De nombreuses régions cérébrales comprenant les signatures cérébrales discriminatoires appartenaient aux réseaux de récompense, de visibilité, de direction centrale et d'éveil émotionnel étendus suggérant que les déficiences fonctionnelles observées étaient dues à une organisation anormale entre ces réseaux.
4.1. Signatures cérébrales à la connectivité anatomique associées à l'IMC
Dans cette étude, un algorithme de classification, composé de deux signatures cérébrales reflétant des profils distincts de connectivité régionale, a démontré une capacité remarquable à discriminer les personnes en surpoids de celles de poids normal. La plupart des études DTI menées chez des individus présentant un IMC élevé ( Shott et al., 2014 ; Stanek et al., 2011 ; Xu et al., 2013 ; Yau et al., 2010 , 2014 ) se sont concentrées sur l’examen des différences de caractéristiques de diffusion de la substance blanche, notamment l’anisotropie fractionnelle et la diffusivité moyenne (qui mesurent l’intégrité des faisceaux de substance blanche), ou les coefficients de diffusion apparents (qui mesurent la diffusion de l’eau dans les faisceaux et reflètent les lésions cellulaires). Toutes ces mesures peuvent fournir des informations sur les modifications localisées de la microstructure de la substance blanche. Dans la présente étude, nous nous sommes concentrés sur les mesures DTI de la densité des faisceaux de fibres afin d’estimer la connectivité relative entre les régions et les réseaux cérébraux. Ainsi, bien que d’autres études aient localisé des modifications au sein de la microstructure de la substance blanche, elles n’ont pas identifié les implications de ces modifications en termes de connectivité.
4.1.1. Signature du cerveau basée sur la connectivité anatomique 1
La première signature cérébrale était principalement constituée de connexions intra- et inter-réseaux de récompense, de saillance, de contrôle exécutif, d'activation émotionnelle et sensoriels. Des connexions thalamiques vers des régions du réseau de contrôle exécutif et vers la région occipitale ont également été observées. Conformément à notre observation d'une diminution des connexions entre le cortex préfrontal ventromédian et l'insula antérieure chez les sujets en surpoids par rapport aux sujets de poids normal, une intégrité réduite des faisceaux de substance blanche (anisotropie fractionnelle réduite) dans la capsule externe (qui contient des fibres reliant les aires corticales entre elles via de courtes fibres d'association) a été rapportée chez les sujets obèses par rapport aux sujets témoins ( Shott et al., 2014 ). De plus, chez les sujets obèses, comparativement aux sujets témoins, le coefficient de diffusion apparent (diffusion de l'eau reflétant les lésions cellulaires) était plus élevé dans la couche sagittale (connue pour transmettre les informations des régions pariétales, occipitales, cingulaires et temporales au thalamus), ce qui pourrait concorder avec nos observations d'une connectivité réduite entre le thalamus droit et le gyrus occipital moyen droit chez les personnes en surpoids comparativement aux personnes de poids normal ( Shott et al., 2014 ). Shott et ses collègues ( Shott et al., 2014 ) ont également identifié des coefficients de diffusion apparents plus élevés (reflétant d'éventuelles lésions cellulaires) dans la corona radiata du groupe obèse, ce qui semble corroborer nos résultats concernant la densité relative de fibres plus faible entre les structures profondes de la substance grise (telles que le thalamus) et les aires corticales (cortex préfrontal dorsolatéral) chez les personnes en surpoids comparativement aux personnes de poids normal. Une connectivité thalamique altérée peut interférer avec le rôle du thalamus dans la facilitation du relais des informations sensorielles périphériques vers le cortex ( Jang et al., 2014 ).
Une étude distincte comparant des adolescents obèses sans complications à des adolescents de poids normal a également mis en évidence une réduction de l'anisotropie fractionnelle chez les adolescents obèses dans des régions telles que la capsule externe, la capsule interne (qui contient principalement les voies corticospinales ascendantes et descendantes), ainsi que certaines fibres temporales et les radiations optiques ( Yau et al., 2014 ). Une étude récente a également observé une perte de connexions nerveuses, mesurées par DTI, entre le tronc cérébral et l'hypothalamus chez un patient atteint d'un cavernome du tronc cérébral qui, après drainage chirurgical, a présenté une prise de poids importante. Ceci suggère que ces fibres nerveuses pourraient être impliquées dans la régulation de la prise alimentaire et du poids ( Purnell et al., 2014 ). Cependant, nous n'avons pas identifié de différences de connectivité avec l'hypothalamus, ce qui pourrait être dû en partie aux limitations de la segmentation spatiale liées aux atlas utilisés dans la présente étude.
4.1.2. Signature du cerveau basée sur la connectivité anatomique 2
Une seconde signature orthogonale ne comportait que trois connexions anatomiques au sein des réseaux de la récompense et de l'activation émotionnelle. L'identification de connexions altérées au sein des régions composant le réseau de la récompense et avec les régions des réseaux avec lesquels il interagit dans la présente étude est inédite. Cependant, ces altérations étaient prévisibles d'après de récentes études morphologiques ayant observé des modifications de la substance grise dans des régions du réseau étendu de la récompense ( Kenny, 2011 ; Kurth et al., 2013 ; Raji et al., 2010 ; Volkow et al., 2008 ). Dans leur ensemble, nos résultats semblent indiquer des altérations généralisées de la connectivité de la substance blanche pour les régions composant le réseau de la récompense et ses réseaux associés.
Alors que d'autres études ont mis en évidence une diminution de l'intégrité des fibres, mesurée par une réduction de l'anisotropie fractionnelle, dans certaines régions du corps calleux et du fornix (qui font partie du cortex cingulaire et transmettent des informations de l'hippocampe à l'hypothalamus) avec l'augmentation de l'IMC ( Stanek et al., 2011 ; Xu et al., 2013 ), la présente étude n'a pas identifié d'altérations significatives de la connectivité interhémisphérique au sein des deux signatures cérébrales anatomiques et de connectivité. On note toutefois une exception : une connexion entre le lobule paracentral gauche et le sillon subpariétal droit dans la signature cérébrale 1, et une connexion entre le putamen droit et le gyrus rectus gauche dans la signature cérébrale 2. Nous émettons l'hypothèse que l'effet observé dans ces études précédentes pourrait être dû à une dégradation systémique de la substance blanche plutôt qu'à des modifications des connexions entre des régions cérébrales spécifiques, à l'instar des modifications qui surviennent lors du vieillissement normal ( Sullivan et al., 2010 ). Alors que les auteurs de ces études précédentes ont émis l'hypothèse que les différences d'anisotropie fractionnelle de la capsule externe chez les sujets présentant un IMC élevé pourraient être corrélées aux connexions issues de l'hippocampe et de l'amygdale, nous n'avons pas observé de changements significatifs dans la connectivité au sein de ces structures. Une analyse plus détaillée et une segmentation plus fine de ces régions cérébrales sont nécessaires pour confirmer ces observations.
4.2. Signes cérébraux de la substance grise morphométrique associés à l'IMC
L'analyse morphométrique de la substance grise, utilisant deux profils distincts, a permis d'identifier correctement les personnes en surpoids par rapport à celles de poids normal, avec une sensibilité de 69 % et une spécificité de 63 %. Ces résultats concordent avec des études antérieures faisant état de réductions globales et régionales du volume de substance grise dans des régions cérébrales spécifiques du réseau de la récompense et des réseaux associés ( Debette et al., 2010 ; Kenny, 2011 ; Kurth et al., 2013 ; Pannacciulli et al., 2006 ; Raji et al., 2010 ). Contrairement à la classification basée sur l'imagerie de tenseur de diffusion (DTI), ces résultats suggèrent une capacité modérée à discriminer les deux groupes d'IMC.
4.2.1. Signature du cerveau basée sur la morphologie 1
Dans notre étude, la première signature cérébrale a révélé des valeurs inférieures pour diverses mesures morphométriques (notamment des sous-régions du gyrus orbitofrontal et de l'insula antérieure) dans les réseaux de la récompense, de la saillance et du contrôle exécutif chez les personnes en surpoids, comparativement aux personnes de poids normal. De plus, des valeurs morphométriques inférieures ont été observées pour les régions inhibitrices (cortex préfrontal dorsolatéral et ventromédian) liées au réseau de l'éveil émotionnel, tandis que les valeurs étaient supérieures pour le réseau somatosensoriel (sillon précentral, gyrus supramarginal, sillon subcentral et sillon frontal supérieur), incluant les régions temporales, chez les personnes en surpoids, comparativement aux personnes de poids normal. Dans cette étude, nous avons constaté des réductions significatives des mesures morphologiques (volume de matière grise et épaisseur corticale) du gyrus orbitofrontal. Le gyrus orbitofrontal est une région importante du circuit de la récompense, impliquée dans le traitement évaluatif et dans l'orientation des comportements et décisions futurs, grâce à l'encodage de l'anticipation liée à la récompense ( Kahnt et al., 2010 ). Une étude récente analysant la structure de la substance grise et de la substance blanche a révélé que les personnes obèses présentaient des valeurs réduites pour différentes régions du circuit de la récompense, notamment le gyrus orbitofrontal ( Shott et al., 2014 ).
4.2.2. Signature du cerveau basée sur la morphologie 2
Comparativement à la signature cérébrale 1, les mesures morphologiques observées dans les régions des réseaux de saillance et d'activation émotionnelle expliquaient la majeure partie de la variance, tandis que les régions du réseau de récompense n'avaient aucune influence. Une réduction de la matière grise a été observée dans les régions des réseaux de saillance, de contrôle exécutif et d'activation émotionnelle. Ces régions (insula antérieure, cortex pariétal postérieur, gyrus parahippocampique, sous-régions du cortex cingulaire antérieur) sont fréquemment associées à une augmentation de l'activité cérébrale évoquée lors de l'exposition à des stimuli alimentaires ( Brooks et al., 2013 ; Greenberg et al., 2006 ; Rothemund et al., 2007 ; Shott et al., 2014 ; Stoeckel et al., 2008 ) et au degré de saillance personnelle des stimuli ( Critchley et al., 2011 ; Seeley et al., 2007a ). Dans la présente étude, une réduction de la matière grise a également été observée dans des régions clés du réseau somatosensoriel (insula postérieure, lobule paracentral). Bien que le rôle exact de ce réseau dans le surpoids et l'obésité demeure inconnu, il a été démontré qu'il est impliqué dans la conscience des sensations corporelles. Une étude récente suggère qu'une activité accrue du réseau somatosensoriel en réponse à des stimuli alimentaires chez les personnes obèses pourrait entraîner une suralimentation ( Stice et al., 2011 ). Cette étude s'est spécifiquement concentrée sur les mesures morphologiques et les connexions anatomiques entre les régions cérébrales du réseau de la récompense étendu et du réseau somatosensoriel. Elle suggère que ces paramètres structuraux cérébraux pourraient influencer le traitement neuronal associé aux résultats des études fonctionnelles publiées. Les corrélations avec les facteurs comportementaux et environnementaux offrent également un éclairage supplémentaire sur la relation entre les résultats structuraux et fonctionnels, ce qui devra être exploré dans de futures études.
4.3. Utilisation d'analyses multivariées de modèles utilisant sPLS-DA pour distinguer les individus en surpoids des individus de poids normal
Les résultats concernant les modifications de la densité des fibres liées à l'IMC entre différents réseaux cérébraux au sein du réseau de la récompense étendu confortent l'hypothèse selon laquelle une augmentation de l'IMC entraîne une perturbation de la connectivité anatomique entre certaines régions du cerveau. Ces altérations anatomiques pourraient impliquer une communication inefficace entre des régions clés du réseau de la récompense et les réseaux associés. À l'instar de plusieurs études récentes ayant mis en évidence des modifications du volume de matière grise liées au surpoids et à l'obésité ( Debette et al., 2010 ; Kurth et al., 2013 ; Pannacciulli et al., 2006 ; Raji et al., 2010 ), nous avons également observé des différences morphologiques similaires chez les personnes en surpoids par rapport à celles de poids normal. Dans la présente étude, nous avons approfondi ces observations afin d'étudier l'association entre le surpoids et la connectivité anatomique cérébrale, et appliqué la méthode sPLS-DA aux données morphométriques cérébrales pour discriminer les sujets en surpoids de ceux de poids normal. Une étude transversale récente, utilisant une régression logistique binaire, suggère que la combinaison de modifications structurelles du gyrus orbitofrontal latéral, mesurées par le volume de matière grise, et des taux sanguins d'un marqueur inflammatoire (fibrinogène) permet de prédire l'obésité dans un petit échantillon de 19 sujets de poids normal et 44 sujets en surpoids ou obèses ; avec une sensibilité élevée (95.5 %), mais une spécificité faible (31.6 %) ( Cazettes et al., 2011 ). Notre étude diffère de ce rapport sur plusieurs points, notamment la taille plus importante de l'échantillon ; le recours à une validation croisée afin d'éviter un biais lié à l'échantillon ; l'exclusion des sujets souffrant d'hypertension ou de diabète pour éliminer un facteur de confusion potentiel ; et la prise en compte à la fois du volume de matière grise et de la densité des faisceaux de fibres pour prédire le surpoids.
4.4. Limites
Bien que nous ayons constaté des différences significatives de densité de fibres entre les individus de poids normal et ceux en surpoids, nous ne pouvons extrapoler ces observations anatomiques à des différences de connectivité fonctionnelle (au repos). De telles données de connectivité fonctionnelle permettraient de détecter des différences de synchronisation de l'activité cérébrale dans des régions non directement connectées par des faisceaux de substance blanche. Malgré la réplication de résultats précédemment publiés concernant la connectivité anatomique et les différences morphologiques entre les individus en surpoids/obèses et ceux de poids normal ( Kurth et al., 2013 ; Raji et al., 2010 ), nous n'avons pas observé d'altérations dans d'importantes régions sous-corticales telles que l'hypothalamus, l'amygdale et l'hippocampe. Il est possible que cet échec soit dû aux limites des algorithmes de segmentation automatique utilisés dans cette étude ou au fait que les analyses se limitent aux individus en surpoids par rapport aux individus obèses. De futures études, menées sur des échantillons plus importants, permettraient de comparer les individus obèses, en surpoids et de poids normal, et de réaliser des analyses de sous-groupes selon le sexe et l'origine ethnique. En raison de la taille relativement réduite de notre échantillon, nous avons mis en œuvre une procédure de validation interne rigoureuse. Toutefois, il demeure nécessaire de tester la précision prédictive de ce classificateur sur un ensemble de données indépendant ( Bray et al., 2009 ). Les études futures devraient examiner l'association de ces différences en neuroimagerie avec des comportements alimentaires spécifiques, des préférences alimentaires et des informations diététiques afin d'interpréter le contexte et la signification de ces résultats. L'obésité et le surpoids étant souvent associés à des comorbidités telles que l'hypertension, le diabète et le syndrome métabolique, les analyses futures devraient étudier les effets modérateurs et de corrélation de ces facteurs sur l'algorithme de classification.
4.5. Résumé et conclusions
En résumé, nos résultats confirment l'hypothèse selon laquelle le surpoids est associé à une connectivité altérée (sous forme de densité de fibres) entre certaines régions cérébrales, ce qui pourrait indiquer une communication inefficace entre ces régions. En particulier, la connectivité réduite des régions inhibitrices préfrontales avec le circuit de la récompense est cohérente avec une prédominance des mécanismes hédoniques dans la régulation de la prise alimentaire ( Gunstad et al., 2006 , 2007 , 2008 , 2010 ). Les mécanismes sous-jacents à ces modifications structurelles restent mal compris, mais pourraient impliquer des processus neuro-inflammatoires et neuroplastiques ( Cazettes et al., 2011 ) liés à l'état inflammatoire de bas grade observé chez les personnes en surpoids ou obèses ( Cazettes et al., 2011 ; Cox et al., 2014 ; Das, 2010 ; Gregor et Hotamisligil, 2011 ; Griffin, 2006 ). Les approches basées sur les données pour identifier les altérations de la matière grise et blanche en cas de surpoids/obésité sont des outils prometteurs pour identifier les corrélats centraux de l'augmentation de l'IMC et ont le potentiel d'identifier des biomarqueurs neurobiologiques pour ce trouble.
Contributions d'auteur
Arpana Gupta: Concept d'étude, analyse et interprétation de données, rédaction et révision de manuscrits.
Emeran Mayer: Concept et conception de l'étude, examen critique du manuscrit, approbation de la version finale du manuscrit, financement.
Claudia San Miguel: rédaction et revue critique de manuscrits, interprétation des données.
John Van Horn: Génération de données, analyse de données.
Connor Fling: Analyse des données.
Aubrey Love: Analyse des données.
Davis Woodworth: Analyse des données.
Benjamin Ellingson: Examen du manuscrit.
Kirsten Tillisch: Examen critique du manuscrit, financement.
Jennifer Labus: Concept et conception de l'étude, analyse et interprétation des données, rédaction et révision du manuscrit, approbation de la version finale du manuscrit, financement.
Source de financement
Cette recherche a été financée en partie par des subventions des instituts nationaux de la santé: R01 DK048351 (EAM), P50DK64539 (EAM), R01 AT007137 (KT), P30 DK041301, K08 DK071626 (JS), Les balayages pilotes ont été fournis par le Centre de cartographie du cerveau Ahmanson-Lovelace, UCLA.
Références
- Bray S., Chang C., Hoeft F. Applications des analyses de classification à motifs multivariés dans la neuro-imagerie développementale de populations saines et cliniques. De face. Fredonner. Neurosci. 2009; 3: 32. 19893761 [PubMed]
- Brooks SJ, Cedernaes J., Schiöth HB Augmentation de l'activation préfrontale et parahippocampique avec réduction de l'activation du cortex préfrontal et insulaire dorsolatérale aux images d'aliments dans l'obésité: une méta-analyse d'études de spectroscopie à résonance magnétique. PLOS ONE. 2013; 8 (4): e60393. 23593210 [PubMed]
- Calton MA, Vaisse C. Réduire le rôle des variants communs dans la prédisposition génétique à l'obésité. Génome Med. 2009, 1 (3): 31. 19341502 [PubMed]
- Cazettes F., Cohen JI, PL de Yau, Talbot H., Convit A. L'inflammation médiée par l'obésité peut endommager le circuit cérébral qui régit la prise de nourriture. Brain Res. 2011; 1373: 101-109. 21146506 [PubMed]
- Centre de contrôle des maladies (CDC) surpoids et obésité. 2014. JE.
- Chiang MC, M. Barysheva, Toga AW, SE de Medland, Hansell NK, James MR, McMahon KL, de Zubicaray GI, Martin NG, Wright MJ, Thompson PM BDNF sur les circuits cérébraux répliqués dans des jumeaux 455. Neuroimage. 2011;55(2):448–454. [PubMed]
- Choquet H., Meyre D. Génétique de l'obésité: qu'avons-nous appris? Curr. Génomique. 2011;12(3):169–179. 22043165 [PubMed]
- Connolly L., Coveleskie K., LA Kilpatrick, Labus JS, Ebrat B., Stains J., Jiang Z., Tillisch K., Raybould HE, Mayer EA Différences de réponses cérébrales entre les femmes maigres et obèses à une boisson sucrée. Neurogastroenterol. Motil. 2013;25(7):579-e460. 23566308 [PubMed]
- Cox AJ, West NP, Cripps AW Obésité, inflammation et microbiote intestinal. Lancet Diabetes Endocrinol. 2014 25066177 [PubMed]
- Critchley HD, Nagai Y., Gray MA, Mathias CJ. Disséquer les axes du contrôle de l'autonomie chez l'homme: informations tirées de la neuroimagerie. Auton. Neurosci. 2011;161(1–2):34–42. 20926356 [PubMed]
- Dale AM, Fischl B., Sereno MI Analyse corticale basée sur la surface. I. Segmentation et reconstruction de surface. Neuroimage. 1999;9(2):179–194. 9931268 [PubMed]
- Das UN Obésité: gènes, cerveau, intestin et environnement. Nutrition. 2010;26(5):459–473. 20022465 [PubMed]
- Debette S., Beiser A., U. Hoffmann, C. Decarli, Juge en chef O'Donnell, Massaro JM, Au R., Himali JJ, Wolf PA, Fox Fox, Seshadri S. La graisse viscérale est associée à une diminution du volume cérébral en bonne santé. adultes d'âge moyen. Ann. Neurol. 2010;68(2):136–144. 20695006 [PubMed]
- Destrieux C., Fischl B., Dale A., Halgren E. Répartition automatique du gyri et du sulc corticaux humains selon la nomenclature anatomique standard. Neuroimage. 2010;53(1):1–15. 20547229 [PubMed]
- Dubois L., Ohm Kyvik K., Girard M., Tatone-Tokuda F., Pérusse D., Hjelmborg J., Skytthe A., Rasmussen F., Wright MJ, Lichtenstein P., Martin NG Contributions génétiques et environnementales au poids , taille et IMC de la naissance au 19: étude internationale sur plus de paires de jumeaux 12,000. PLOS ONE. 2012; 7 (2): e30153. 22347368 [PubMed]
- El-Sayed Moustafa JS, Froguel P. De la génétique de l'obésité à l'avenir du traitement personnalisé de l'obésité. Nat. Rev Endocrinol. 2013;9(7):402–413. 23529041 [PubMed]
- Finkelstein EA, Trogdon JG, Cohen JW, Dietz W. Dépenses médicales annuelles imputables à l'obésité: estimations spécifiques aux donneurs d'ordre et aux services. Affich santé (Millwood) 2009;28(5):w822–w831. 19635784 [PubMed]
- Fischl B., DH Salat, E. Busa, Albert M., M. Dieterich, C. Haselgrove, A. van der Kouwe A., Killiany R., Kennedy D., Klaveness S., Montillo A., Makris N., Rosen B., Dale AM Segmentation du cerveau entier: marquage automatique des structures neuroanatomiques dans le cerveau humain. Neurone. 2002;33(3):341–355. 11832223 [PubMed]
- Fischl B., Sereno MI, Dale AM, Analyse corticale basée sur la surface. II: gonflage, aplatissement et système de coordonnées basé sur la surface. Neuroimage. 1999;9(2):195–207. 9931269 [PubMed]
- García-García I., Jurado M.Á, Garolera M., Segura B., Sala-Llonch R., Marqués-Iturria I., Pueyo R., Sender-Palacios MJ, Vernet-Vernet M., Narberhaus A., Ariza M., Junqué C. Altérations du réseau de saillance dans l'obésité: étude IRMf à l'état de repos. Fredonner. Cerveau Mapp. 2013;34(11):2786–2797. 22522963 [PubMed]
- Greenberg JA, Boozer CN, Geliebter A. Café, diabète et contrôle du poids. Un m. J. Clin. Nutr. 2006;84(4):682–693. 17023692 [PubMed]
- Gregor MF, Hotamisligil GS Mécanismes inflammatoires de l'obésité. Annu. Rev. Immunol. 2011; 29: 415-445. 21219177 [PubMed]
- Griffin WS Inflammation et maladies neurodégénératives. Un m. J. Clin. Nutr. 2006;83(2):470S–474S. 16470015 [PubMed]
- Gunstad J., Lhotsky A., Wendell CR, Ferrucci L., Zonderman AB. Examen longitudinal de l'obésité et de la fonction cognitive: résultats de l'étude longitudinale du vieillissement de Baltimore. Neuroépidémiologie. 2010;34(4):222–229. 20299802 [PubMed]
- Gunstad J., Paul RH, RA Cohen, Tate DF, Gordon E. L'obésité est associée à des déficits de mémoire chez les adultes jeunes et d'âge moyen. Manger. Trouble du poids. 2006;11(1):e15–e19. 16801734 [PubMed]
- Gunstad J., Paul RH, RA Cohen, Tate DF, Spitznagel MB et Gordon E. Un indice de masse corporelle élevé est associé à un dysfonctionnement de l'exécutif chez des adultes en bonne santé. Compr. Psychiatrie. 2007;48(1):57–61. 17145283 [PubMed]
- Gunstad J., Spitznagel MB, Paul RH, RA Cohen, Kohn M., Luyster FS, Clark R., Williams LM, Gordon E. Indice de masse corporelle et fonction neuropsychologique chez les enfants et les adolescents en bonne santé. Appétit. 2008;50(2–3):246–251. 17761359 [PubMed]
- Irimia A., MC Chambers, CM Torgerson, JD Van Horn. Représentation circulaire des réseaux corticaux humains pour la visualisation connectomique au niveau du sujet et de la population. Neuroimage. 2012;60(2):1340–1351. 22305988 [PubMed]
- Jang SH, Lim HW, Yeo SS La connectivité neuronale des noyaux thalamiques intralaminaires dans le cerveau humain: une étude de tractographie tenseur de diffusion. Neurosci. Lett. 2014; 579: 140-144. 25058432 [PubMed]
- Kahnt T., Heinzle J., Park SQ, Haynes JD Le code neural de l'anticipation des récompenses dans le cortex orbitofrontal humain. Proc. Natl. Acad. Sci. ETATS-UNIS. 2010;107(13):6010–6015. 20231475 [PubMed]
- Kenny PJ Mécanismes de récompense dans l'obésité: nouvelles idées et orientations futures. Neurone. 2011;69(4):664–679. 21338878 [PubMed]
- Kilpatrick LA, Coveleskie K., Connolly L., Labus JS, Ebrat B., Stains J., Jiang Z., Suyenobu BY, Raybould HE, Tillisch K., Mayer EA Influence de l'ingestion de saccharose sur le tronc cérébral et les oscillations hypothalamiques intrinsèques du lean et les femmes obèses. Gastroentérologie. 2014;146(5):1212–1221. 24480616 [PubMed]
- Kullmann S., Heni M., Veit R., Ketterer C., Schick F., Häring HU, Fritsche A., Preissl H. Le cerveau obèse: association de l'indice de masse corporelle et de la sensibilité à l'insuline avec la connectivité fonctionnelle du réseau d'état de repos. Fredonner. Cerveau Mapp. 2012;33(5):1052–1061. 21520345 [PubMed]
- Kurth F., Levitt JG, Phillips OR, Luders E., Woods RP, Mazziotta JC, Toga AW et Narr KL Relations entre la matière grise, l'indice de masse corporelle et le tour de taille chez des adultes en bonne santé. Fredonner. Cerveau Mapp. 2013;34(7):1737–1746. 22419507 [PubMed]
- Lê Cao KA, Boitard S., Besse P. Analyse discriminante PLS clairsemée: sélection de caractéristiques biologiquement pertinentes et affichages graphiques pour les problèmes multiclass. BMC Bioinformatics. 2011; 12: 253. 21693065 [PubMed]
- Lê Cao KA, González I., Déjean S. integrOmics: un paquet R permettant de démêler les relations entre deux jeux de données omics. BioInformatique. 2009;25(21):2855–2856. 19706745 [PubMed]
- Lê Cao KA, PG Martin, C. Robert-Granié, Besse P. Méthodes canoniques rares pour l'intégration de données biologiques: application à une étude multiplate-forme. BMC Bioinformatics. 2009; 10: 34. 19171069 [PubMed]
- Lê Cao KA, Rossouw D., C. Robert-Granié, Besse P. Un PLS clairsemé pour la sélection de variables lors de l'intégration de données omiques. Stat. Appl. Genet. Mol. Biol. 2008, 7 (1): 35. 19049491 [PubMed]
- Lê Cao KA, Rossouw D., C. Robert-Granié, Besse P. Un PLS clairsemé pour la sélection de variables lors de l'intégration de données omiques. Stat. Appl. Genet. Mol. Biol. 2008, 7 (1): 35. 19049491 [PubMed]
- Loveman E., Frampton GK, J. Shepherd, J. Picot, K. Cooper, J. Bryant et Welch K., Clegg A. L'efficacité clinique et la rentabilité des systèmes de gestion du poids à long terme chez l'adulte: une revue systématique . Technol Santé. Évaluer. 2011;15(2):1–182. 21247515 [PubMed]
- Menon V., Uddin LQ Saillance, commutation, attention et contrôle: un modèle de réseau de la fonction insula. Structure du cerveau. Funct. 2010;214(5–6):655–667. 20512370 [PubMed]
- Mori S., Crain BJ, VP Chacko, van Zijl PC Suivi tridimensionnel des projections axonales dans le cerveau par imagerie par résonance magnétique. Ann. Neurol. 1999;45(2):265–269. 9989633 [PubMed]
- Morrow JD, Maren S., Robinson TE La variation de la propension à attribuer une sonorité incitative à un signal appétitif prédit la propension à attribuer une sonorité motivationnelle à un signal aversif. Comportement Brain Res. 2011;220(1):238–243. 21316397 [PubMed]
- Pannacciulli N., Del Parigi A., Chen K., Le DS, Reiman EM, Tataranni PA, Anomalies cérébrales de l'obésité humaine: étude morphométrique à base de voxel. Neuroimage. 2006;31(4):1419–1425. 16545583 [PubMed]
- Purnell JQ, DL Lahna, Samuels MH, Rooney WD, Hoffman WF Perte de traces de la substance blanche allant de pons à hypothalamiques dans l'obésité du tronc cérébral. Int J Obes (Lond) 2014; 38: 1573-1577. 24727578 [PubMed]
- Raji CA, Ho AJ, Parikshak NN, Becker JT, OL de Lopez, Kuller LH, Hua X., Leow AD, Toga AW, Thompson PM Structure du cerveau et obésité. Fredonner. Cerveau Mapp. 2010;31(3):353–364. 19662657 [PubMed]
- Rothemund Y., Preuschhof C., G. Bohner, HC Bauknecht, Klingebiel R., Flor H., Klapp BF Activation différentielle du striatum dorsal par des stimuli visuels alimentaires hypercaloriques chez les individus obèses. Neuroimage. 2007;37(2):410–421. 17566768 [PubMed]
- Seeley WW, Menon V., AF Schatzberg, Keller J., GH Glover, Kenna H., Reiss AL, Greicius MD Réseaux de connectivité intrinsèque dissociable pour le traitement de la saillance et le contrôle exécutif. J. Neurosci. 2007;27(9):2349–2356. 17329432 [PubMed]
- Seeley WW, Menon V., AF Schatzberg, Keller J., GH Glover, Kenna H., Reiss AL, Greicius MD Réseaux de connectivité intrinsèque dissociable pour le traitement de la saillance et le contrôle exécutif. J. Neurosci. 2007;27(9):2349–2356. 17329432 [PubMed]
- Sheehan DV, Lecrubier Y., Sheehan KH, Amorim P., Janavs J., Weiller E., Hergueta T., Baker R., Dunbar GC. L'entrevue mini-internationale en neuropsychiatrie (MINI): mise au point et validation d'un diagnostic structuré entretien psychiatrique pour le DSM-IV et la CIM-10. J. Clin. Psychiatrie. 1998;59(Suppl. 20):22–33. 9881538 [Quiz 34 – 57] [PubMed]
- Shott ME, MA Cornier, VA Mittal, Pryor TL, Orr JM, SM Brown, Frank GK Volume du cortex orbitofrontal et réponse cérébrale récompensée dans l'obésité. Int J Obes (Lond) 2014 25027223 [Article gratuit PMC] [PubMed]
- Stanek KM, SM Grieve, AM Brickman, MS Korgaonkar, Paul RH, RA Cohen, Gunstad JJ. L'obésité est associée à une intégrité réduite de la substance blanche chez des adultes en bonne santé. L'obésité (Silver Spring) 2011;19(3):500–504. 21183934 [PubMed]
- Stice E., Yokum S., Burger KS, Epstein LH, Petit DM Les jeunes à risque d'obésité montrent une plus grande activation des régions striatales et somatosensorielles à l'alimentation. J. Neurosci. 2011;31(12):4360–4366. 21430137 [PubMed]
- Stoeckel LE, Weller RE, Cook EW, 3rd, Twieg DB, Knowlton RC, Cox JE Activation généralisée du système de récompense chez les femmes obèses en réponse à des images d'aliments riches en calories. Neuroimage. 2008;41(2):636–647. 18413289 [PubMed]
- Sullivan EV, T. Rohlfing, Pfefferbaum A. Étude longitudinale de la microstructure calleuse dans le cerveau vieillissant normal, à l’aide d’un suivi quantitatif des fibres par DTI. Dev. Neuropsychol. 2010;35(3):233–256. 20446131 [PubMed]
- Terranova L., Busetto L., Vestri A., Zappa MA. Chirurgie bariatrique: rapport coût-efficacité et impact budgétaire. Obés. Surg. 2012;22(4):646–653. 22290621 [PubMed]
- ND Volkow, J. Frascella, J. Friedman, CB Saper, Baldo B., Rolls ET, Mennella JA, Dallman MF, Wang GJ, LeFur G. Neurobiologie de l'obésité: relations à la dépendance. Neuropsychopharmacologie. 2004; 29: S29 – S30.
- ND de Volkow, Wang GJ, Baler RD Reward, dopamine et contrôle de la prise alimentaire: implications pour l'obésité. Trends Cogn. Sci. 2011;15(1):37–46. 21109477 [PubMed]
- ND de Volkow, Wang GJ, JS Fowler, Telang F. Chevauchement des circuits neuronaux dans la dépendance et l'obésité: preuve de la pathologie des systèmes. Philos. Trans. R. Soc. Lond., B, Biol. Sci. 2008;363(1507):3191–3200. 18640912 [PubMed]
- Organisation mondiale de la santé (OMS) Obésité. 2014. JE.
- Xu J., Li Y., Lin H., R. Sinha et Potenza, MN. L'indice de masse corporelle est en corrélation négative avec l'intégrité de la substance blanche dans le fornix et le corps calleux. Fredonner. Cerveau Mapp. 2013;34(5):1044–1052. 22139809 [PubMed]
- Yau PL, Javier DC, Ryan CM, Tsui WH, Ardekani BA, Ten S., Convit A. Données préliminaires concernant les complications cérébrales chez les adolescents obèses atteints de diabète de type 2. Diabétologie. 2010;53(11):2298–2306. 20668831 [PubMed]
- Yau PL, Kang EH, Javier DC, Convit A. Preuve préliminaire d'anomalies cognitives et cérébrales dans l'obésité chez les adolescents sans complication. L'obésité (Silver Spring) 2014;22(8):1865–1871. 24891029 [PubMed]
- Zald DH L'amygdale humaine et l'évaluation émotionnelle des stimuli sensoriels. Brain Res. Brain Res. Tour. 2003;41(1):88–123. 12505650 [PubMed]
- Zigmond AS, Snaith RP L'échelle d'anxiété et de dépression de l'hôpital. Acta Psychiatr. Scand. 1983;67(6):361–370. 6880820 [PubMed]
