Apple publie MVICAD2 pour mieux cartographier le cerveau

Apple publie MVICAD2 le 19 août 2026. La méthode s’intitule « Multi-View Independent Component Analysis with Delays and Dilations ». Elle vise l’analyse de données hétérogènes provenant de plusieurs sujets. Les auteurs sont Ambroise Heurtebise, Omar Chehab, Pierre Ablin et Alexandre Gramfort. La publication relève des méthodes et algorithmes. Elle paraît dans l’IEEE Transactions on Biomedical Engineering. Le travail concerne notamment la magnétoencéphalographie, ou MEG. Cette technique capture des signaux au niveau du scalp. L’étude cherche à estimer les sources cérébrales sous-jacentes. La page de recherche d’Apple présente le modèle et ses résultats.

Les données restent hétérogènes dans les analyses multi-vues. Les chercheurs doivent intégrer plusieurs vues et aligner leurs espaces de caractéristiques. Ils doivent aussi gérer des biais propres à chaque vue. Ces difficultés apparaissent en neurosciences, lorsque plusieurs sujets reçoivent les mêmes stimuli. Les méthodes précédentes supposent souvent des sources identiques entre sujets. Multi-View Independent Component Analysis, ou MVICA, repose sur cette hypothèse. MVICAD autorise ensuite une différence limitée à un retard temporel. Les auteurs indiquent toutefois que cette correction ne suffit pas pour certains stimuli auditifs. Les dynamiques cérébrales peuvent aussi présenter des effets de dilatation temporelle entre individus.

MVICAD2 combine deux déformations

Le nouveau modèle ajoute les dilatations aux retards temporels. MVICAD2 permet ainsi aux sources de différer entre sujets selon ces deux paramètres. Les auteurs présentent un modèle dont les sources sont identifiables. Ils dérivent aussi une approximation de sa vraisemblance sous forme fermée. Des techniques de régularisation et d’optimisation complètent la méthode. Cette combinaison vise à améliorer les performances du calcul. Le papier ne présente pas une hypothèse de sources strictement identiques. Il traite plutôt des variations temporelles entre sujets. Le modèle cible donc une difficulté précise des analyses multi-vues appliquées aux signaux cérébraux.

Les simulations favorisent MVICAD2 face aux méthodes ICA multi-vues existantes. Les auteurs rapportent de meilleures performances dans ces expériences. Ils valident ensuite la méthode avec le jeu de données Cam-CAN. Cette validation porte sur des données de magnétoencéphalographie. L’étude examine également la relation entre les retards, les dilatations et le vieillissement. Les résultats rapportés associent donc ces paramètres temporels à l’âge. Le texte source ne fournit pas de valeur chiffrée pour cette association. Il ne détaille pas non plus, dans son résumé, les métriques utilisées. La publication complète est accessible via arXiv.

Cam-CAN relie âge et temporalité

Les auteurs viennent de trois institutions. Ambroise Heurtebise et Alexandre Gramfort sont affiliés à l’Université Paris-Saclay, Inria Saclay et au CEA. Omar Chehab est rattaché au CREST de l’ENSAE. La méthode est publiée dans une revue dédiée à l’ingénierie biomédicale. Son application de validation reste centrée sur la MEG et les neurosciences. Le travail ne décrit pas un produit commercial ni un déploiement clinique. Il propose une méthode algorithmique pour estimer des sources dans des études de groupe. Les prochaines étapes explicitement documentées sont donc la publication et l’évaluation scientifique de MVICAD2 sur les données présentées.