La integración de múltiples modalidades de resonancia magnética mejora la predicción de las capacidades cognitivas

Transparenz: Redaktionell erstellt und geprüft.
Veröffentlicht am

Predecir la capacidad cognitiva a partir de imágenes cerebrales ha sido durante mucho tiempo un objetivo central en la neurociencia cognitiva. Si bien el aprendizaje automático ha mejorado modestamente las predicciones utilizando datos de resonancia magnética cerebral, la mayoría de los estudios se basan en una única modalidad de resonancia magnética. Narun Pat y sus colegas han integrado múltiples modalidades de resonancia magnética mediante una técnica llamada apilamiento. El método combina resonancia magnética estructural (por ejemplo, espesor cortical), estado de reposo y conectividad funcional basada en tareas, así como contrastes dependientes del nivel de oxígeno en sangre (BOLD) evocados por tareas para crear un marcador neuronal más sólido de la función cognitiva. Los autores analizaron datos de 2.131 participantes de edades...

La integración de múltiples modalidades de resonancia magnética mejora la predicción de las capacidades cognitivas

Predecir la capacidad cognitiva a partir de imágenes cerebrales ha sido durante mucho tiempo un objetivo central en la neurociencia cognitiva. Si bien el aprendizaje automático ha mejorado modestamente las predicciones utilizando datos de resonancia magnética cerebral, la mayoría de los estudios se basan en una única modalidad de resonancia magnética. Narun Pat y sus colegas han integrado múltiples modalidades de resonancia magnética mediante una técnica llamada apilamiento.

El método combina resonancia magnética estructural (por ejemplo, espesor cortical), estado de reposo y conectividad funcional basada en tareas, así como contrastes dependientes del nivel de oxígeno en sangre (BOLD) evocados por tareas para crear un marcador neuronal más sólido de la función cognitiva. Los autores analizaron datos de 2131 participantes de entre 22 y 100 años de tres grandes conjuntos de datos de resonancia magnética en los Estados Unidos y Nueva Zelanda. En los tres conjuntos de datos, se acumularon predicciones consistentes y significativamente mejoradas de los puntajes de las pruebas cognitivas recopiladas del escáner. Para evaluar si el apilamiento podría capturar rasgos cognitivos estables, los autores aplicaron el método al Estudio Multidisciplinario de Salud y Desarrollo de Dunedin. Utilizando imágenes cerebrales a los 45 años, el modelo predijo puntuaciones cognitivas en la infancia (7, 9 y 11 años) con una correlación de 0,52, reconociendo un nivel significativo de precisión predictiva. El apilamiento también enfrentó un desafío importante en los modelos basados ​​en resonancia magnética: la confiabilidad de prueba y repetición: la estabilidad de las clasificaciones individuales a lo largo del tiempo. La consistencia mejorada sugiere que el apilamiento permite que los datos de resonancia magnética capturen diferencias individuales más persistentes en la capacidad cognitiva que los modelos de modalidad única de resonancia magnética.

Finalmente, los investigadores evaluaron la generalización del apilamiento entrenando en un conjunto de datos y probando en un conjunto de datos separado e independiente. Debido a diferencias en los protocolos de tareas, los autores no pudieron incluir varias modalidades importantes de resonancia magnética. Sin embargo, el modelo logró una correlación de Pearson de 0,25. Aunque esto fue inferior al rendimiento dentro del conjunto de datos, la correlación aún demostró un grado significativo de aplicabilidad entre muestras. Según los autores, el estudio establece un punto de referencia valioso sobre cómo el apilamiento puede fortalecer el uso de la resonancia magnética cerebral como un marcador neuronal confiable y sólido de la función cognitiva.


Fuentes:

Journal reference:

Tetereva, A.,et al. (2025) Mejora de la previsibilidad, confiabilidad y generalización de las asociaciones cerebrales para las habilidades cognitivas mediante el apilamiento multimodal.Nexo PNAS. doi.org/10.1093/pnasnexus/pgaf175.