Estimating measures of information processing during cognitive tasks using functional magnetic resonance imaging

Resumen Técnico: Estimación de Medidas de Procesamiento de Información en fMRI Basado en Tareas

Planteamiento del Problema
La cognición se conceptualiza cada vez más como un procesamiento de información; sin embargo, los análisis convencionales de resonancia magnética funcional (fMRI) se centran predominantemente en la activación regional o la conectividad funcional (basada en correlación). Estos métodos convencionales no logran cuantificar cómo se almacena, transfiere o integra la información dentro de los sistemas neurales. Además, la aplicación de medidas de la teoría de la información a la fMRI basada en tareas presenta obstáculos metodológicos significativos: las grabaciones de tareas son inherentemente cortas y no estacionarias, y la lenta función de respuesta hemodinámica (HRF) oscurece la dinámica temporal de la actividad neural. Los enfoques existentes suelen depender de datos de estado de reposo donde las suposiciones de estacionariedad se cumplen, dejando un vacío en la caracterización del procesamiento de información durante demandas cognitivas específicas.

Metodología
Los autores proponen un marco para estimar tres medidas centrales de la teoría de la información a partir de datos de fMRI basados en tareas: Almacenamiento de Información Activa (AIS), Entropía de Transferencia (TE) y Sinergia Neta. El estudio utiliza datos del Human Connectome Project (HCP), específicamente la tarea de memoria de trabajo (N-back) que involucra a 470 participantes (condiciones 0-back y 2-back) junto con grabaciones independientes de estado de reposo.

El pipeline metodológico aborda los desafíos clave mediante los siguientes pasos:

1. Preprocesamiento: Se aplicó el preprocesamiento estándar de fMRI (corrección de movimiento, regresión de variables de confusión/nuisance). Crucialmente, los autores aplicaron deconvolución ciega para eliminar la HRF de los datos, mitigando el desenfoque temporal que distorsiona las estimaciones del flujo de información.
2. Información Mutua Cruzada (Cross MI): Para superar las limitaciones de los datos de tareas cortos y no estacionarios, los autores adoptaron un enfoque recientemente desarrollado utilizando Información Mutua Cruzada. A diferencia de la MI "condicional" convencional, que define la distribución de probabilidad basándose únicamente en los datos de la tarea (condicionándose a la tarea), la Cross MI utiliza una distribación de referencia derivada de la concatenación tanto de los datos de estado de reposo como de los de la tarea. La distribución de prueba se deriva de la condición de tarea específica (por ejemplo, 2-back). Esto permite al marco determinar si las dependencias específicas de la tarea son atípicas en relación con la actividad basal más amplia del sujeto, proporcionando un contexto más robusto para grabaciones cortas.
3. Estimadores: Todas las medidas se calcularon utilizando el estimador KSG1 (Kraskov et al., 2004) implementado en la herramienta JIDT. Para manejar la autocorrelación inherente a la fMRI, el análisis excluyó muestras autocorrelacionadas durante la estimación.
4. Estrategia de Análisis: Las medidas locales (instantáneas) se computaron en cada punto temporal. Luego, se ajustó un Modelo Lineal General (GLM) para extraer promedios específicos de la condición. El estudio se centró en dos contrastes: 2-back vs. reposo (capturando el compromiso general con la tarea) y 2-back vs. 0-back (aislando el procesamiento específico de la memoria de trabajo al controlar las demandas sensoriales y motoras).

Contribuciones Clave

• Marco Metodológico: El artículo establece un nuevo pipeline para aplicar medidas de la teoría de la información a la fMRI basada en tareas integrando la deconvolución de la HRF con el enfoque de Cross MI. Esto aborda específicamente los desafíos de la no estacionariedad y el tamaño de muestra limitado en los datos de tareas.
• Diferenciación de Medidas: El estudio demuestra que la Cross MI proporciona contrastes más consistentes e interpretables en comparación con la MI condicional, particularmente en la identificación de dependencias evocadas por la tarea que son distintas de la actividad basal.
• Cuantificación de Sinergia y Redundancia: Al calcular la Sinergia Neta, el marco va más allá de la simple conectividad para distinguir si las interacciones interregionales son principalmente sinérgicas (información revelada solo cuando se combinan las entradas) o redundantes (información superpuesta).

Resultados
El análisis de la tarea N-back del HCP reveló patrones distintos de procesamiento de información:

• Almacenamiento de Información (AIS): En el contraste 2-back vs. reposo, el AIS aumentó globalmente, con los incrementos más significativos en los módulos visuales. En el contraste 2-back vs. 0-back (aislando la memoria de trabajo), el AIS aumentó específicamente en las regiones frontoparietales, reflejando los patrones de activación convencionales pero cuantificando la estabilidad temporal de las representaciones neurales.
• Transferencia de Información (TE): El contraste 2-back vs. reposo mostró una salida dominante de información desde las regiones visuales hacia otros módulos. En el contraste 2-back vs. 0-back, la transferencia de información aumentó ampliamente a través de la corteza, sugiriendo que la memoria de trabajo es un proceso distribuido. Sin embargo, la transferencia dentro de los módulos disminuyó en módulos específicos (VIS B y CON A), indicando una reorganización hacia un procesamiento más localizado.
• Sinergia Neta: Se observó un cambio global hacia la redundancia en la mayoría de los módulos durante el contraste 2-back vs. 0-back. Esto sugiere que, bajo una alta carga cognitiva, el cerebro se reorganiza para compartir información superpuesta, potencialmente mejorando la robustez. Notablemente, módulos específicos (VIS B, CON A y DMN A) mostraron un cambio hacia la sinergia, indicando un procesamiento integrativo preservado o mejorado en estas áreas.
• Correlatos Conductuales: Las diferencias individuales en el desempeño de la tarea (precisión en 2-back) se asociaron significamente con la magnitud de los incrementos de AIS en las regiones frontales y la fuerza del cambio hacia la redundancia. Una mayor precisión se correlacionó con un mayor almacenamiento de información y un cambio de redundancia más fuerte. No se encontró una asociación significativa entre el desempeño y la Entropía de Transferencia.

Significancia
El artículo afirma establecer una metodología novedosa para cuantificar el procesamiento de información en la fMRI basada en tareas, yendo más allá de la activación y la conectividad para caracterizar la dinámica del almacenamiento, la transferencia y la integración. Los hallazgos sugieren que la memoria de trabajo no es simplemente una cuestión de aumento de activación, sino que implica:

1. Una mayor estabilidad temporal de las representaciones (AIS) en las redes frontoparietales.
2. Una reorganización global hacia un procesamiento de información redundante, probablemente para apoyar la robustez contra el ruido y la interferencia.
3. Un procesamiento sinérgico selectivo en módulos de control y visuales específicos.

Los autores postulan que estas medidas de la teoría de la información proporcionan marcadores con significado conductual de la función cognitiva que complementan y extienden los análisis de fMRI convencionales. El trabajo valida la viabilidad del uso de Cross MI y la deconvolución de la HRF para estudiar procesos cognitivos en la fMRI basada en tareas, ofreciendo un marco con principios sólidos para futuras investigaciones sobre cómo el cerebro codifica, almacena y manipula la información.