A Two-Stage Multi-Modal MRI Framework for Lifespan Brain Age Prediction

Resumen Técnico: Un Marco de Dos Etapas Multi-Modal de MRI para la Predicción de la Edad Cerebral a lo Largo de la Vida

1. Planteamiento del Problema
La predicción de la edad cerebral a partir de imágenes de Resonancia Magnética (MRI) es un biomarcador crucial para evaluar la salud neurológica. Sin embargo, los enfoques existentes presentan tres limitaciones fundamentales:

• Rango de edad restringido: La mayoría de los modelos se centran en subconjuntos específicos de la vida (ej. solo adultos o solo neonatos) en lugar de cubrir el espectro completo del desarrollo humano.
• Dependencia de una sola modalidad: Utilizan típicamente un solo tipo de MRI (generalmente T1), ignorando la información complementaria de la estructura macroscópica y microscópica que ofrecen otras modalidades.
• Falta de robustez: Tienen dificultades para manejar entradas incompletas (cuando faltan modalidades) en entornos del mundo real, requiriendo reentrenamiento o fallando en la inferencia.

2. Metodología Propuesta
Los autores proponen un marco unificado de dos etapas diseñado para abarcar toda la vida humana (desde el feto hasta la vejez) integrando tres modalidades de MRI: T1 ponderado (T1w), T2 ponderado (T2w) y Anisotropía Fraccional (FA).

• Preprocesamiento y Unificación de Edad:

  • Las imágenes se preprocesan con corrección de sesgo N4, eliminación de cráneo (skull stripping) y remuestreo isotrópico de 1 mm.
  • Se unifica la escala de edad: la edad gestacional (semanas) se mapea a una escala continua ($y = w - 40$), permitiendo un eje de edad coherente desde el periodo prenatal hasta la vejez.

• Etapa 1: Clasificación de Etapas de Edad

  • El ciclo vital se divide en seis etapas: Fetal, Neonatal, Infantil, Niño, Adulto y Anciano.
  • Se utiliza una arquitectura basada en MAE (Masked Autoencoders) compartida para codificar cada modalidad en una representación latente.
  • Se introduce un MoE (Mixture of Experts) de Modalidad con enrutamiento duro, donde cada experto se especializa en una modalidad específica de MRI.
  • El modelo predice la distribución de probabilidad de la etapa de edad para cada modalidad disponible y agrega estas predicciones para obtener la etapa final ($\hat{s}$).

• Etapa 2: Regresión de Edad Cerebral

  • Una red de regresión estima la edad precisa condicionada a la etapa predicha en la Etapa 1.
  • Se emplea un MoE de Etapa de Edad, donde cada experto se especializa en capturar patrones macro y microestructurales específicos de una etapa vital concreta.
  • Fusión Tardía (Late Fusion): Las modalidades se procesan de forma independiente y sus predicciones se agregan al final de la inferencia. Esto permite que el modelo funcione robustamente incluso si faltan modalidades, sin necesidad de reentrenamiento.

3. Contribuciones Clave

1. Cobertura de toda la vida: Es el primer marco de predicción de edad cerebral que abarca desde la etapa fetal hasta la ancianidad, cubriendo todo el espectro del desarrollo y envejecimiento cerebral.
2. Estrategia de Fusión Tardía Multi-Modal: Integra T1w, T2w y FA sin requerir entrenamiento multimodal estricto, manejando naturalmente las modalidades faltantes durante la inferencia.
3. Arquitectura de Dos Etapas con MoE: Combina una clasificación gruesa (etapa de edad) con una regresión fina, utilizando arquitecturas de "Mezcla de Expertos" para adaptar el modelo a los patrones cambiantes del cerebro a lo largo del tiempo y entre diferentes tipos de escaneos.

4. Resultados Experimentales
El modelo fue evaluado en 9 conjuntos de datos (5 in-domain para entrenamiento y 4 out-of-domain para prueba), cubriendo desde fetos hasta ancianos.

• Rendimiento General: El modelo multi-modal propuesto (Ours-M) superó consistentemente a los métodos baselines (SFCN, ORDER, TSAN) y a su propia variante de una sola modalidad (Ours-S).
• Precisión:
  • En escenarios in-domain, el modelo redujo el Error Absoluto Medio (MAE) en un 10% comparado con los baselines.
  • En escenarios out-of-domain (generalización), la mejora fue drástica, con una reducción del 69% en el MAE.
  • En etapas tempranas (fetal y neonatal), el error de predicción fue cercano a cero, demostrando una captura efectiva de características específicas de estas fases críticas.
• Robustez: La integración multi-modal mejoró el rendimiento en un 8-11% frente a la variante de una sola modalidad, confirmando la importancia de combinar información estructural y de difusión.
• Clasificación de Etapas: En la Etapa 1, el modelo multi-modal alcanzó un 88.18% de precisión (vs. 80.62% de la variante mono-modal) y eliminó errores extremos de clasificación (ej. clasificar neonatos como adultos), confinando los errores a grupos de edad adyacentes.

5. Significado e Impacto
Este trabajo representa un avance significativo en la neuroimagen clínica y de investigación al ofrecer una herramienta unificada capaz de evaluar la madurez cerebral a lo largo de toda la vida. La capacidad de manejar datos incompletos y su alta generalización a conjuntos de datos no vistos lo hacen especialmente valioso para aplicaciones clínicas reales donde la disponibilidad de modalidades de MRI puede variar. Además, la reducción masiva del error en escenarios de generalización sugiere que el enfoque de dos etapas con MoE es una solución robusta para la heterogeneidad inherente a los datos de neuroimagen a gran escala.