Un nuevo enfoque para el análisis de neuroimagen

Un grupo de neurocientíficos de la Facultad de Medicina de la Universidad de California en San Diego ha aplicado un enfoque a la neuroimagen que creen revitalizará el trabajo de muchos de sus colegas investigadores del cerebro.

Su trabajo, publicado en la revista Corteza cerebral, describe un método para el uso de datos de neuroimagen para predecir elementos de cognición y variables de comportamiento. La técnica implica examinar imágenes de resonancia magnética (MRI) de cerebros ampliamente utilizadas para encontrar asociaciones con diversos comportamientos y luego aplicar predicciones de esas asociaciones a una muestra independiente invisible.

Carolina Makowski, Ph.D., becaria postdoctoral en el Departamento de Radiología de la Facultad de Medicina de UC San Diego, explica que los investigadores suelen utilizar resonancias magnéticas para examinar estructuras específicas del cerebro y determinar su papel en conductas o habilidades, incluida la memoria a corto plazo. , capacidad para resolver problemas o una amplia gama de funciones cognitivas.

Makowski, el primer autor y correspondiente del artículo, dijo que el trabajo del grupo muestra una forma de evitar la creencia común de que los estudios de neuroimagen no podrían producir resultados significativos a menos que el estudio incluya a miles de participantes.

«No siempre es posible tener miles de individuos», afirmó Makowski. «Hay muchísimos estudios y subvenciones que se basan en conjuntos de datos más pequeños».

El equipo de estudio descubrió que el uso adecuado de métodos multivariados produjo resultados satisfactorios en estudios que involucraron tan solo un par de docenas de participantes. Según Makowski, los estudios de neuroimagen típicos operan a partir de análisis univariados, que prueban una correlación o asociación entre un punto del cerebro y un comportamiento. «En ese caso, sí, es posible que se necesiten miles de participantes en el estudio».

Ella explica que los estudios multivariados toman un patrón de asociaciones. Además, Makowski dijo que el grupo vio los mayores efectos de correlación y asociación al centrarse en los datos de resonancia magnética funcional basados ​​en tareas. «Esto fue particularmente fuerte para una tarea que aprovecha los procesos de la memoria de trabajo», dijo. «Esos patrones de activación de tareas predecían la cognición general, pero también el comportamiento relevante que en realidad es parte de la tarea».

El coautor Terry L. Jernigan, Ph.D., profesor de ciencia cognitiva, psiquiatría y radiología en UC San Diego y director del Centro para el Desarrollo Humano, agregó que el equipo pudo obtener buenos resultados a partir de conjuntos de datos más pequeños al «entrenar y ajustar» grandes conjuntos de datos utilizando métodos de análisis multivariado. Para la formación, el equipo utilizó la base de datos del estudio Adolescent Brain Cognitive Development (ABCD), un compendio de resonancias magnéticas de unos 12.000 niños de nueve y diez años.

«Cuando hay una gran cantidad de datos especialmente bien estructurados que son relevantes para resultados complejos que esperamos predecir, podemos usar métodos multivariados, que a menudo se denominan IA, por cierto, para ‘entrenar’ un gran conjunto de datos». Dijo Jernigan. Añadió que el «ajuste» de relaciones seleccionadas en un gran conjunto de datos agudiza el poder predictivo cuando se aplica a estudios más pequeños.

Makowski añadió que, en general, cuanto mayor sea la muestra de entrenamiento, más pequeño puede ser el estudio real, pero incluso la muestra de entrenamiento no necesariamente necesita incluir miles de individuos si, para empezar, se trabaja con efectos fuertes.

«Entonces, al predecir la cognición general, si tienes 5.000 niños en la muestra de entrenamiento, puedes predecir la cognición a partir de la activación cerebral relacionada con la memoria de trabajo con sólo 40 niños en la replicación. Incluso con 100 niños en la muestra de entrenamiento, todavía pudimos predecir la cognición bastante bien con sólo 60 niños en la replicación usando estos mismos patrones de activación cerebral», dijo.

El autor principal y coautor Anders M. Dale, Ph.D., profesor de neurociencias, psiquiatría y ciencia cognitiva y ciencia de datos en UC San Diego, dijo que el método del grupo ayudará a los científicos a aprovechar todo el potencial de la base de datos ABCD al permitir centrarse en segmentos más pequeños del gigantesco estudio relevantes para diferentes resultados de salud.

«Hay una razón por la que el ABCD era tan grande en primer lugar», dijo. «En realidad, fue porque queríamos poder observar los efectos en un subconjunto de individuos. Queremos observar cosas como los resultados del uso de sustancias, los resultados psiquiátricos y la demencia. Por eso se diseñó de esa manera».

Dale añadió que el poder predictivo del enfoque de muestras pequeñas puede amplificarse cuando se complementa con otros tipos de análisis, como estudios genéticos u otros tipos de imágenes.

El coautor Tim Brown, Ph.D., investigador del Departamento de Neurociencias, dijo que la publicación del grupo es importante porque reabre puertas que los investigadores del cerebro de todo el mundo creían que habían sido cerradas de golpe por un artículo de 2022 que afirmaba que solo eran muy grandes. Las bases de datos podrían generar resultados valiosos.

«Hay un montón de becarios que no tienen miles de personas en sus estudios», dijo. «Y de repente les dicen: ‘No se puede hacer un trabajo reproducible’. Lo que estamos mostrando aquí es que los estudios reproducibles de asociación en todo el cerebro no requieren miles de individuos».