La resonancia magnética funcional (fMRI) mide la cantidad de oxígeno en sangre de zonas concretas del cerebro y es una prueba indirecta de la actividad neuronal. La fMRI 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 clínico de enfermedades neurológicas, psiquiátricas y, alteraciones en la funcionalidad cerebral 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 resonancia magnética funcional 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 a nivel individual. 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 fMRI en cada caso.

La clave para una predicción solida es el uso de la conectividad efectiva

Un estudio publicado el 24 de mayo, en edición avanzada en línea y en abierto, en la revista NeuroImage, ha tenido como objetivo definir un nuevo estándar fiable para la extracción de biomarcadores a partir de fMRI, 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.

"Los resultados obtenidos establecen sólidos fundamentos para aplicaciones adaptadas a estados cognitivos individuales en el diagnóstico clínico"

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 lidera Gustavo Deco, profesor de investigación ICREA del Departamento de Tecnologías de la Información y las Comunicaciones (DTIC) de la UPF, con participación de centros europeos y de Estados Unidos.

La conectividad funcional (CF) en estado de reposo cerebral indica las áreas del cerebro la actividad de la cual está correlacionada, mientras que la conectividad efectiva (CE) entre diferentes áreas cerebrales indica como unas áreas influyen directamente sobre las otras. En este sentido la conectividad efectiva describe interacciones reales (o causales) entre las áreas y se mide usando un modelo dinámico. En este trabajo se considera que la conectividad efectiva soporta mejor rendimiento que la conectividad funcional en la clasificación del estado cerebral.

Un estándar fiable para la extracción de biomarcadores de actividad cerebral

El nuevo método propuesto por los autores proporciona información de la comunicación entre áreas cerebrales según sea la actividad o el estado cerebral, y consta de dos partes. En la primera parte se compara la estimación la conectividad efectiva del cerebro completo con herramientas adecuadas de aprendizaje automático para controlar la variabilidad de sesión a sesión. "Hemos demostrado como 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 fMRI en estado de reposo respecto de otros estados. "Nuestro estudio demuestra que los biomarcadores basados en CE son muy robustas para la variabilidad de sesión a sesión (mucho más que con CF) y se pueden obtener basándose en un número limitado de sesiones, a saber, 4-5 sesiones de grabación (de 5 minutos cada una) para clasificar 40 o más sesiones".

“A partir de muy pocas conexiones cerebrales, nuestro método demuestra tener excelentes capacidades de generalización para la identificación de estados cognitivos y participantes en dos conjuntos de datos, utilizando sólo unas pocas sesiones como referencia"

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 la conectividad efectiva (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", explican los investigadores. 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 estados cognitivos y participantes en dos conjuntos de datos, utilizando sólo unas pocas sesiones como referencia", añaden.

En este estudio se propone un marco teórico para extraer, a partir de datos fMRI, biomarcadores relacionados con diversas modalidades que permiten cuantificar la interferencia existene 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 estados cognitivos individuales en el diagnóstico clínico", indican los autores de esta investigación.

Trabajo de referencia:

Vicente Pallarés, Andrea Insabato, Anna Sanjuán, Simone Kühn, Dante Mantini, Gustavo Deco, Matthieu Gilson (2018), “Extracting orthogonal subject- and condition-specific signatures from fMRI data using whole-brain effective connectivity“, NeuroImage, volumen 178, septiembre 2018, Págs. 238-254, publicado en edición avanzada en línea el 24 de mayo, https://doi.org/10.1016/j.neuroimage.2018.04.070.