Entropy measures as indicators of connectivity paths in the human brain

Resumen Técnico: Medidas de Entropía como Indicadores de Rutas de Conectividad en el Cerebro Humano

Planteamiento del Problema
La complejidad topológica y funcional del cerebro opera a través de múltiples escalas, desde unidades neuronales microscópicas hasta redes macroscópicas. Si bien técnicas como la fMRI proporcionan información sobre la especialización funcional a gran escala, el análisis de estas señales presenta desafíos significativos. Los métodos existentes para inferir interacciones directas entre regiones cerebrales suelen depender de supuestos fuertes que limitan su utilidad para la investigación exploratoria. Los modelos causales frecuentemente requieren conocimiento previo específico; la causalidad de Granger y las medidas relacionadas en el dominio de la frecuencia (por ejemplo, DTF, PDC) asumen linealidad y estacionariedad, fallando al detectar efectos instantáneos o no lineales; los enfoques basados en correlación capturan solo asociaciones lineales y se ven confundidos por conexiones indirectas; y los métodos de teoría de grafos o detección de comunidades son altamente sensibles a la selección de umbrales y a las decisiones algorítmicas.

Existe una falta de un enfoque de análisis de datos capaz de caracterizar estados cognitivos y recuperar conexiones funcionales sin depender de parámetros preestablecidos, modelos generativos o conocimiento previo correcto de la red. Específicamente, existe la necesidad de un método que no asuma respuestas lineales ni trate la no linealidad meramente como una perturbación, manteniendo al mismo tiempo la robustez ante los retrasos de la función de respuesta hemodinámica (HRF) inherentes a los datos de fMRI.

Metodología
Los autores proponen un marco analítico basado en variables de la teoría de la información aplicadas a series temporales de fMRI. El estudio utiliza datos de fMRI basados en tareas del Human Connectome Project (HCP) que cubren cinco condiciones: estado de reposo, motora, memoria de trabajo, reconocimiento de emociones y tareas de lenguaje. El cerebro se parceliza en 360 regiones de interés (ROI) corticales utilizando el atlas de Glasser.

El flujo de trabajo del análisis procede de la siguiente manera:

1. Discretización: Las señales BOLD continuas se binarizan utilizando el valor medio como umbral. Esto preserva el tiempo relativo pasado por encima y por debajo de la línea base mientras reduce la señal a una secuencia binaria. Los autores señalan que esta binarización no destruye la información dinámica relevante, como lo confirma la comparación con la entropía espectral.
2. Medidas Entrópicas: Se computan tres magnitudes de información teórica para cada región:
   • Densidad de Entropía ($h_{LZ}$): Estimada mediante la factorización de Lempel-Ziv (LZ), mide la tasa de producción de nuevos patrones (imprevisibilidad) en la señal.
   • Complejidad de Medida Efectiva ($E_{LZ}$): Estimada utilizando un procedimiento de barajado aleatorio sobre la complejidad LZ, cuantifica la información mutua entre mitades de la serie temporal, reflejando la persistencia de patrones o la memoria a través de las escalas.
   • Distancia Informacional ($d_{LZ}$): Derivada de la complejidad LZ, mide la distancia entre dos secuencias basada en la información algorítmica requerida para transformar una en la otra, independientemente del desfase temporal.
3. Mapeo Complejidad-Entropía: Las regiones se representan en un plano 2D $(h_{LZ}, E_{LZ})$. Un criterio de umbralización objetivo, basado en los residuos de un ajuste lineal de la nube de datos, separa las regiones "activas" (caracterizadas por una $h_{LZ}$ más baja y una $E_{LZ}$ más alta, lo que indica una dinámica estructurada y menos aleatoria) de las regiones "inactivas".
4. Análisis de Conectividad: Se computan los valores de $d_{LZ}$ por pares para construir matrices de distancia. Estas se utilizan para generar dendrogramas jerárquicos (vía agrupamiento de Vecino Más Cercano o Neighbor-Joining) y grafos de conectividad (mediante la umbralización en el percentil 5 de las distancias) para revelar la estructura funcional.

Contribuciones Clave y Resultados

• Detección de Activación Libre de Modelo: El marco identifica con éxito las regiones relevantes para la tarea sin una matriz de diseño, modelo de respuesta hemodinámica o parámetros ajustados. Los mapas de complejidad-entropía resultantes se alinean con áreas relevantes para la tarea establecidas (por ejemplo, la corteza visual para tareas visuales, la corteza motora/sensorial para tareas motoras, áreas auditivas/del lenguaje para tareas de lenguaje).
• Diferenciación de la Dinámica: El mapa $(h_{LZ}, E_{LZ})$ proporciona una caracterización más rica que la simple activación basada en la amplitud. Distingue regiones que están activas pero que difieren en sus regímenes dinámicos (por ejemplo, regiones visuales con un rendimiento inferior en la generación de patrones en relación con las regiones motoras durante tareas motoras).
• Recuperación de la Jerarquía Funcional: El análisis de la distancia LZ revela una estructura jerárquica y modular consistente en todas las tareas:
  • Regiones Activas: Se agrupan en niveles inferiores del dendrograma de acuerdo con la especialización funcional (por ejemplo, cúmulos visuales, motores, atencionales).
  • Regiones Inactivas: Forman un "esqueleto" densamente interconectado que es compartido entre las tareas, sugiriendo una dinámica de fondo común distinta de la actividad impulsada por la tarea.
• Validación: Los conjuntos activos derivados de la entropía fueron validados contra tres referencias independientes:
  1. Partición de Red de Cole-Anticevic: Las regiones activas mostraron un enriquecimiento de veces significativo en las redes funcionales esperadas (por ejemplo, redes visuales para tareas de emoción/memoria, somatomotora para tareas motoras).
  2. Meta-análisis de Neurosynth: Los patrones espaciales de activación coincidieron con los mapas de asociación específicos de términos, recuperando las redes cognitivas centrales (por ejemplo, la corteza prefrontal dorsolateral para la memoria de trabajo).
  3. Activación GLM de HCP: Aunque la correlación con los tamaños de efecto del GLM fue generalmente débil en todo el cerebro (debido a diferencias metodológicas en la medición de estructura vs. amplitud), se encontraron correlaciones fuertes dentro de redes funcionales específicas. Notablemente, la medida entrópica identificó el compromiso frontoparietal en la tarea de lenguaje que el GLM clasificó como "tarea-negativa" (desactivación), resaltando la capacidad del método para detectar la estructura independientemente de los cambios en la amplitud de la línea base.
• Simetría Hemisférica: El estudio observó una alta simetría interhemisférica durante el desempeño de la tarea, la cual se rompe significativamente durante el estado de reposo, revelando una asimetría espontánea en la densidad de la entropía.

Significancia y Reivindicaciones
El artículo sostiene que este marco analítico ofrece una herramienta robusta y libre de modelos para la investigación exploratoria del cerebro. Al aprovechar la densidad de la entropía y la complejidad de la medida efectiva, el método captura tanto la dinámica lineal como la no lineal sin asumir linealidad o estacionariedad. El uso de la complejidad de Lempel-Ziv permite la detección de interacciones no lineales que a menudo son omitidas por los métodos lineales tradicionales.

La significancia del trabajo radica en su capacidad para:

1. Identificar el compromiso regional y la especialización funcional sin supuestos previos sobre los datos o la topología de la red.
2. Recuperar una organización jerárquica donde las subredes específicas de la tarea emergen como informacionalmente distintas de un trasfondo densamente conectado de regiones no activas.
3. Facilitar el descubrimiento de conexiones o patrones previamente no reportados, como lo demuestra la identificación de regiones activas en áreas que típicamente no son resaltadas en los análisis estándar basados en tareas (por ejemplo, áreas frontales y parietales específicas durante tareas de lenguaje y motoras).

Los autores concluyen que, si bien el marco actual se centra en la conectividad no dirigida, sirve como una herramienta unificada para analizar la activación y la conectividad funcional del cerebro. Sugieren que introducir la direccionalidad para analizar la conectividad efectiva es una extensión natural para trabajos futuros. El método se presenta como particularmente valioso para estudiar las significativas interacciones no lineales del cerebro a través de múltiples niveles funcionales.