Nuevo método para evaluar la conectividad cerebral

Definen un estándar para la extracción de biomarcadores a partir de imágenes de resonancia magnética funcional.

Redacción | 04/06/2018 13:11

La resonancia magnética funcional (RMf) mide la cantidad de oxígeno en sangre de zonas concretas del cerebro y es una prueba indirecta de la actividad neuronal. Utiliza ondas de radiofrecuencia y un campo magnético muy potente con el fin de obtener imágenes muy detalladas del cerebro. Esta técnica se ha empleado en el diagnóstico de enfermedades neurológicas, psiquiátricas y alteraciones en la funcionalidad cerebral que constituyen signos clínicos de diferentes trastornos cerebrales y del comportamiento.

Sin embargo, el estudio de la conectividad cerebral basada en las imágenes provenientes de la RMf a veces está limitada por el hecho de que estos valores pueden variar de una sesión a otra según sean las condiciones experimentales o en estudio, lo cual pone en peligro su reproducibilidad y fiabilidad para cada individuo. De cara a poder aplicar los resultados de la investigación a la práctica clínica real, a menudo con pocas sesiones de grabación, es crucial clarificar cuál es el valor diagnóstico de la RMf en cada caso.

Conectividad efectiva

Un estudio publicado en la edición digital de NeuroImage define un nuevo estándar fiable para la extracción de biomarcadores a partir de RMf, verificando que no se mezcle información de diferentes estados cerebrales, en reposo o en actividad, con la de la identidad de cada persona. Los resultados indican que la clave para una predicción sólida es el uso de conectividad efectiva (CE) en vez de conectividad funcional (CF) y de técnicas de aprendizaje automático adecuadas.

El trabajo ha sido llevado a cabo por Vicente Pallarés, Andrea Insabato, Anna Sanjuan y Matthieu Gilson, investigadores del Centro de Cognición y Cerebro, que dirige Gustavo Deco, profesor de investigación ICREA del Departamento de Tecnologías de la Información y las Comunicaciones (DTIC) de la Universidad Pompeu Fabra (UPF), en Barcelona, con participación de centros europeos y de Estados Unidos.

La CE describe interacciones reales (o causales) entre las áreas cerebrales y se mide usando un modelo dinámico. En este trabajo se considera que la CE soporta mejor rendimiento que la CF en la clasificación del estado cerebral.

El nuevo método propuesto proporciona información de la comunicación entre áreas cerebrales según sea la actividad o el estado cerebral y consta de dos partes. En la primera se compara la estimación de la CE del cerebro completo con herramientas adecuadas de aprendizaje automático para controlar la variabilidad de sesión a sesión. "Hemos demostrado cómo las herramientas de aprendizaje automático, como el MLR (Multinomial Logistic Regression), permiten una cuantificación de la ortogonalidad topológica entre los biomarcadores, además de extraerlos de forma eficiente", indican los autores.

La idea de los investigadores ha sido comparar los valores de CE y de CF con la capacidad de generalización, a través de sesiones de RMf en estado de reposo respecto de otros estados. "Nuestro estudio demuestra que los biomarcadores basados en CE son muy robustos para la variabilidad de sesión a sesión (mucho más que con CF) y se pueden obtener basándose en un número limitado de sesiones: 4-5 sesiones de grabación (de 5 minutos cada una) para clasificar 40 o más sesiones".

Generalización

En la segunda parte del método, los investigadores hacen una predicción de la identidad y la condición de cada individuo participante -en estado de reposo y haciendo una tarea visual- para verificar que CE puede servir de biomarcardor para los dos tipos de estado. Para ello, "examinamos la distribución topológica de los enlaces de la CE que apoyan la doble clasificación, que nos permite cuantificar la superposición entre los dos biomarcadores". Esta segunda parte ha buscado evaluar la capacidad de generalización de la CE para la clasificación multivariante. "Nuestro método con muy pocas conexiones cerebrales demuestra tener excelentes capacidades de generalización para la identificación de temas en dos conjuntos de datos, utilizando sólo unas pocas sesiones para tema como referencia", explican.

En este estudio se propone un marco teórico para extraer, a partir de datos RMf, biomarcadores relacionados con diversas modalidades que permiten cuantificar la interferencia existente entre ellos. La doble clasificación de la identidad de los participantes y las condiciones de comportamiento va más allá de los estudios previos que utilizaron la conectividad funcional como huella digital, de modo que "nuestros resultados establecen sólidos fundamentos para aplicaciones adaptadas a temas individuales en el diagnóstico clínico", indican los autores de esta investigación.