A Bayesian Longitudinal Spatial Normative Model for Individualized Brain Deviation Mapping

Resumen Técnico: Un Modelo Normativo Espacial Longitudinal Bayesiano para el Mapeo de Desviaciones Cerebrales Individualizadas

1. Planteamiento del Problema

Los estudios tradicionales de neuroimagen dependen de comparaciones basadas en promedios poblacionales entre grupos diagnósticos, lo que a menudo falla en capturar la heterogeneidad a nivel individual. Si bien el modelado normativo ha surgido como una solución —estimando desviaciones individualizadas de una población de referencia en lugar de promedios grupales—, las implementaciones existentes adolecen de tres limitaciones principales:

1. Enfoque transversal: A pesar de la creciente disponibilidad de mediciones de neuroimagen repetidas, muchos modelos permanecen efectivamente transversales o no tienen en cuenta plenamente la dependencia temporal dentro del sujeto, lo que conduce a un uso ineficiente de los datos y a estimaciones inestables.
2. Supuesto de independencia: La mayoría de los métodos tratan las regiones cerebrales de forma independiente, ignorando la organización espacial bien documentada de la variación neuroanatómica. Esto descuida las relaciones estructuradas entre regiones anatómica y funcionalmente relacionadas, reduciendo la eficiencia y distorsionando la geometría de los mapas de desviación.
3. Definición implícita de la desviación: En muchas aplicaciones, la desviación se trata meramente como un residuo de un modelo ajustado. Cuando el interés científico reside en la configuración espacial de la desviación (por ejemplo, en trastornos neurodegenerativos), esta representación es inadecuada. La desviación debe tratarse como una cantidad latente estructurada para permitir su estimación directa y una cuantificación rigurosa de la incertidumbre.

El problema inferencial central abordado es la estimación de mapas de desviación específicos del sujeto que evolucionan en el tiempo y exhiben dependencia estructurada entre las regiones cerebrales dentro de un marco probabilístico coherente.

2. Metodología

Los autores proponen un modelo normativo espacial longitudinal bayesiano para resultados de resonancia magnética estructural (MRI) a nivel de región. El modelo opera dentro de un marco jerárquico unificado que captura conjuntamente la dependencia temporal dentro del sujeto y las desviaciones específicas del sujeto estructuradas espacialmente.

Formulación del Modelo:
Para el sujeto $i$, la visita $t$ y la región $r$, la observación $Y_{itr}$ se modela como:
$$Y_{itr} = X_{it}^\top \beta_r + b_i + u_{ir} + \varepsilon_{itr}$$
Donde:

• $X_{it}^\top \beta_r$ es una función media normativa impulsada por covariables (por ejemplo, edad, sexo).
• $b_i$ es una intercepción aleatoria específica del sujeto que captura la dependencia temporal a través de visitas repetidas ($b_i \sim N(0, \sigma_b^2)$).
• $u_{ir}$ es un proceso de desviación espacial latente específico del sujeto y de la región. El vector de desviaciones para el sujeto $i$, $\mathbf{u}_i$, sigue un Campo Aleatorio de Markov Gaussiano (GMRF) con matriz de precisión $\tau_u^{-2}Q(\rho)$, donde $Q(\rho) = D - \rho W$ es una especificación Autoregresiva Condicional (CAR) basada en una matriz de adyacencia a nivel de región conocida $W$.
• $\varepsilon_{itr}$ es el término de error residual.

Inferencia y Estimación:

• Desviación como Proceso Latente: A diferencia de los resúmenes de residuos ad hoc, el mapa de desviación individualizado se trata como un proceso espacial latente con una distribución posterior explícita.
• Estimador Bayesiano: Bajo la pérdida de error cuadrático, la media posterior del vector de desviación latente $\mathbf{u}_i$ sirve como estimador bayesiano para el mapa de desviación espacial específico del sujeto.
• Puntajes Estandarizados: Los puntajes de desviación estandarizados ($Z_{itr}$) se derivan de la distribución predictiva posterior, permitiendo una interpretación probabilística de cómo un individuo se aparta de la referencia normativa.

3. Contribuciones Clave

El artículo hace tres contribuciones específicas:

1. Marco de Modelado Conjunto: Introduce un modelo normativo bayesiano a nivel de región que captura simultáneamente la dependencia longitudinal (mediante intercepciones aleatorias) y la desviación específica del sujeto estructurada espacialmente (mediante priores CAR).
2. Caracterización Teórica: Caracteriza la estructura de covarianza inducida y deriva la distribución posterior de los mapas de desviación espacial individualizados bajo supuestos gaussianos, estableciendo el mapa de desviación como un estimador bayesiano formal en lugar de un residuo.
3. Evaluación Empírica: Evalúa el modelo a través de seis escenarios de simulación y una aplicación a datos de MRI estructural de OASIS-3, comparándolo con puntos de referencia transversales independientes y longitudinales no espaciales.

4. Resultados

Estudios de Simulación:
En seis escenarios (variando dependencia espacial, cronogramas de visitas, datos faltantes y trayectorias no lineales), el modelo propuesto superó consistentemente a los puntos de referencia:

• Recuperación del Mapa de Desviación: El modelo propuesto logró el menor Error Cuadrático Medio (MSE) para la reconstrucción del mapa de desviación en todos los escenarios. Bajo dependencia espacial moderada y fuerte, redujo el error de reconstrucción del mapa en aproximadamente 55% en relación con el modelo transversal independiente y entre 35–46% en relación con el modelo longitudinal no espacial.
• Robustez: El modelo permaneció estable bajo cronogramas de visitas irregulares, seguimiento faltante y mala especificación de la función media (trayectorias no lineales).
• Calibración: El modelo propuesto produjo puntajes de desviación estandarizados con medias más cercanas a cero y probabilidades de cola estables. Aunque exhibió una ligera contracción de la varianza (varianza del puntaje z $\approx 0.96$) debido a la regularización espacial, evitó la sub-dispersión observada en los modelos longitudinales no espaciales y mantuvo un desplazamiento sistemático cercano a cero.

Aplicación a OASIS-3:
Aplicado a 1.902 observaciones a nivel de región del conjunto de datos OASIS-3:

• Mejora del Ajuste: El modelo espacial bayesiano específico del sujeto redujo el Error Cuadrático Medio (RMSE) en un 54% en relación con el modelo transversal independiente y en un 45% en relación con el modelo longitudinal no espacial.
• Patrones Regionales: Las desviaciones extremas se concentraron en el polo temporal, la corteza entorrinal, la corteza temporal inferior, el cíngulo posterior y la corteza parahipocampal. Estas regiones se alinean con áreas implicadas en la neurodegeneración temprana de tipo Alzheimer.
• Heterogeneidad Individual: Los perfiles a nivel de sujeto revelaron una heterogeneidad sustancial. Notablemente, el modelo identificó casos de marcada desviación multiregional en sujetos con puntuaciones cognitivas globales preservadas (por ejemplo, MMSE $\approx$ 29.7), demostrando la capacidad de detectar anomalías estructurales oscurecidas por promedios grupales o resúmenes cognitivos gruesos.

5. Significado y Afirmaciones

El artículo argumenta que el modelado normativo longitudinal informado espacialmente proporciona un marco principiado para el análisis de neuroimagen individualizado cuando el interés científico reside en la organización regional del desvío anatómico.

• Cambio Metodológico: El trabajo va más allá de tratar la desviación como un residuo secundario. Al modelar la desviación como una cantidad latente estructurada, permite la estimación directa y la cuantificación rigurosa de la incertidumbre.
• Necesidad de Modelado Conjunto: Los resultados demuestran que el modelado longitudinal por sí solo es insuficiente cuando la dependencia regional es fuerte; la estructura espacial es esencial para recuperar la geometría verdadera de las desviaciones individuales.
• Interpretabilidad: El marco apoya la identificación de patrones de desviación anatómica espacialmente coherentes que pueden estar ocultos por las trayectorias promediadas poblacionalmente. Los resultados de calibración indican que, aunque la transferencia espacial induce una contracción conservadora (reduciendo falsos positivos extremos), preserva la interpretabilidad probabilística de los puntajes de desviación.

Los autores concluyen que este marco extiende el modelado normativo a contextos donde la desviación anatómica individualizada evoluciona en el tiempo y exhibe dependencia estructurada, ofreciendo una herramienta más precisa e interpretable para estudiar la variación cerebral individual en la salud y la enfermedad.