Unified Multi-Cohort Harmonisation and Normative Modelling of Neuroimaging Data via Hierarchical GAMLSS

Este estudio propone un marco unificado basado en modelos GAMLSS jerárquicos para armonizar y modelar datos de neuroimagen estructural de múltiples cohortes, superando las limitaciones de los métodos ComBat al eliminar efectos técnicos sin asumir distribuciones gaussianas y preservando mejor las señales biológicas complejas.

Lo esencial

🧠 El Problema: Cuando las fotos de los cerebros no coinciden

Imagina que quieres estudiar cómo envejecen los cerebros de las personas. Para tener una respuesta precisa, necesitas mirar a miles de personas de todas las edades, desde niños hasta ancianos.

El problema es que estos datos no vienen de un solo lugar. Vienen de seis estudios diferentes (como el ABCD, UK Biobank, etc.), cada uno con sus propias reglas:

• Algunos usan máquinas de resonancia magnética (MRI) de la marca Siemens.
• Otros usan máquinas de la marca GE o Philips.
• Algunos escanean a niños en escuelas; otros a ancianos en hospitales.
• Cada uno tiene un "protocolo" o receta de cómo tomar la foto.

La analogía: Imagina que quieres comparar el tamaño de las manzanas de seis agricultores diferentes. Pero el Agricultor A usa una báscula que pesa en libras, el Agricultor B usa una que pesa en kilos, y el Agricultor C tiene una báscula que siempre suma 2 kilos de más. Si juntas todos los datos sin arreglar esto, pensarás que las manzanas del Agricultor C son gigantes, cuando en realidad es solo su báscula la que está "loca".

En neurociencia, esto se llama "efecto de lote". Si no lo arreglas, podrías confundir un error de la máquina con un cambio real del cerebro por la edad o la enfermedad.

🛠️ La Vieja Solución: El "ComBat" (El Sastre Rígido)

Durante años, los científicos han usado una herramienta llamada ComBat para arreglar esto.

• Cómo funciona: Imagina que ComBat es un sastre que toma todas las manzanas y las estira o encoge para que todas tengan el mismo peso promedio y el mismo tamaño promedio.
• El problema: ComBat asume que todas las manzanas son perfectas y redondas (distribución normal). Pero en la vida real, algunas "manzanas" (medidas cerebrales) son muy extrañas: tienen formas raras, son muy asimétricas o tienen "colas" muy largas (datos extremos).
• El resultado: Cuando ComBat intenta estirar una manzana muy extraña para que parezca normal, a veces la rompe. En términos científicos, esto significa que la herramienta crea valores imposibles (como volúmenes negativos) y borra datos valiosos. Además, a veces estira tanto la manzana que cambia su forma original, perdiendo información biológica importante.

🚀 La Nueva Solución: GAMLSS (El Sastre a Medida)

Los autores de este estudio proponen una nueva herramienta llamada GAMLSS (Modelos Aditivos Generalizados para Ubicación, Escala y Forma).

La analogía: Imagina que en lugar de un sastre rígido, tienes un sastre de alta costura que entiende que cada cliente es único.

1. No solo mide el peso: Este sastre no solo ajusta el "peso promedio" (ubicación) ni el "tamaño" (escala). También ajusta la forma (si es puntiaguda, si tiene una cola larga, si es asimétrica).
2. Se adapta a cada máquina: Entiende que la máquina de Siemens hace fotos con una "forma" diferente a la de GE, y ajusta cada una individualmente sin romperlas.
3. El truco del "Ranking": En lugar de cambiar el número directamente, GAMLSS mira la posición de cada persona dentro de su propio grupo.
   • Ejemplo: Si una persona está en el percentil 90 (más grande que el 90% de su grupo) en el estudio A, GAMLSS la coloca en el percentil 90 en el estudio B, pero usando la escala natural de ese estudio. Así, mantiene el orden y la relación biológica, pero elimina el "ruido" de la máquina.

🏆 ¿Qué descubrieron? (Los Resultados)

Los científicos probaron su nuevo método contra los viejos (ComBat) usando datos reales de 88,000 observaciones de 64,000 personas.

1. Menos datos perdidos: Los métodos viejos (ComBat) a veces "rompían" los datos extraños, creando valores negativos que tenían que borrar. GAMLSS fue mucho más cuidadoso y perdió casi ningún dato.
2. Mejor limpieza: GAMLSS eliminó el "ruido" de las máquinas casi por completo, igual que los mejores métodos viejos, pero sin dañar la forma de los datos.
3. Preservación de la verdad biológica: Lo más importante. Cuando miraron cómo cambia el cerebro con la edad (por ejemplo, cómo se encoge el cerebro o cómo crecen ciertas manchas blancas), GAMLSS mantuvo la curva real de envejecimiento.
   • Ejemplo: En una medida muy rara y difícil (volumen de hipointensidades de sustancia blanca), los métodos viejos distorsionaron la curva de envejecimiento, haciendo que pareciera que el cerebro envejecía de forma extraña. GAMLSS mantuvo la curva suave y natural, tal como debería ser.
4. Dos pájaros de un tiro: GAMLSS no solo limpia los datos, sino que al mismo tiempo te dice qué tan "normal" o "anormal" es el cerebro de una persona comparado con la población general. Es como si el sastre no solo ajustara la ropa, sino que también te diera un certificado de salud.

💡 Conclusión

Este estudio nos dice que para estudiar el cerebro humano a gran escala, necesitamos herramientas más inteligentes. No basta con "igualar promedios". Necesitamos herramientas que entiendan que los datos cerebrales son complejos, variados y a veces extraños.

GAMLSS es esa herramienta flexible que permite mezclar datos de todo el mundo (niños, ancianos, diferentes países y máquinas) sin perder la esencia biológica, asegurando que lo que vemos en los resultados sea realmente el cerebro humano y no un error de la cámara.

Resumen técnico

Resumen Técnico: Unificación de la Armonización Multi-Cohorte y Modelado Normativo de Datos de Neuroimagen mediante GAMLSS Jerárquico

1. El Problema

Los estudios de neuroimagen a gran escala dependen cada vez más de la agrupación de datos de múltiples cohortes, escáneres y protocolos de adquisición para aumentar la potencia estadística y cubrir todo el espectro de la vida. Sin embargo, esto introduce variación técnica no biológica (efectos de lote o batch effects) que puede distorsionar la inferencia biológica.

• Limitaciones de los métodos actuales: El método dominante, ComBat (y sus variantes como ComBat-GAM y ComBat-LS), se basa en suposiciones gaussianas y se centra principalmente en corregir efectos en la ubicación (media) y la escala (varianza).
• La brecha: Muchas características de neuroimagen estructural tienen distribuciones condicionales complejas (no gaussianas) que presentan asimetría (skewness), curtosis y heterocedasticidad. Los métodos actuales a menudo fallan al modelar estos momentos de orden superior, lo que puede llevar a la pérdida de datos (valores negativos inválidos en medidas volumétricas) o a la distorsión de trayectorias biológicas plausibles, especialmente en características con distribuciones complejas como el volumen de hipointensidades de la sustancia blanca. Además, la mayoría de los métodos de armonización y modelado normativo son pasos separados, lo que puede introducir sesgos.

2. Metodología

Los autores proponen un marco unificado basado en Modelos Aditivos Generalizados para Ubicación, Escala y Forma (GAMLSS) jerárquico.

• Datos: Se utilizó un conjunto de datos longitudinal combinado de 6 cohortes (ABCD, IMAGEN, NCANDA, LIFE, UK Biobank, MAS) que abarcan desde la infancia hasta la vejez, con un total de 64,086 participantes y 88,126 observaciones. Se analizaron 237 características de neuroimagen estructural (volúmenes, grosor cortical, área superficial).
• Pre-procesamiento: Se aplicó primero ComBat-Long dentro de cada cohorte para corregir efectos de escáner intra-cohorte, dejando los efectos entre cohortes para el modelo principal.
• Modelo GAMLSS Propuesto:
  • Flexibilidad Distribucional: A diferencia de ComBat, GAMLSS modela múltiples parámetros de la distribución de la variable de resultado (ubicación, escala, asimetría y curtosis) como funciones de covariables.
  • Selección de Distribución: Se utiliza una jerarquía automática que comienza con la distribución Sinh-Arcsinh (SHASH) de cuatro parámetros (capaz de manejar asimetría y colas pesadas). Si no converge, se retrocede a Gamma Generalizada y finalmente a Normal.
  • Efectos Aleatorios: Se modelan efectos aleatorios específicos de la cohorte en los parámetros de ubicación, escala y forma.
  • Armonización: Los valores armonizados se obtienen eliminando los efectos aleatorios de la cohorte y aplicando un mapeo de cuantiles basado en centiles. Esto devuelve los valores a la escala de medición original, preservando el orden de rango individual.
  • Puntuaciones Normativas: Las puntuaciones de desviación normativa (z-scores) se derivan directamente del mismo modelo ajustado mediante la transformación probit de los centiles, permitiendo armonización e inferencia normativa en un solo paso.
• Comparación: El método se comparó con ComBat clásico, ComBat-GAM y ComBat-LS utilizando criterios de retención de datos, eliminación de efectos de lote y preservación de señales biológicas (edad y sexo).

3. Contribuciones Clave

1. Marco Unificado: Integra la armonización de datos y el modelado normativo en un solo modelo estadístico, eliminando la necesidad de pasos de corrección separados.
2. Modelado de Momentos Superiores: Es el primer enfoque que modela explícitamente los efectos de la cohorte en la asimetría y la curtosis, no solo en la media y la varianza.
3. Salida en Escala Nativa: A diferencia de los enfoques de modelado normativo puro que a menudo solo devuelven puntuaciones Z, este método devuelve valores armonizados en la unidad de medida original (ej. mm³), facilitando visualizaciones y análisis posteriores.
4. Robustez Distribucional: Al permitir distribuciones no gaussianas (como SHASH), evita la generación de valores negativos inválidos en características acotadas a cero, un problema común en los métodos basados en Gaussianas.

4. Resultados

• Eliminación de Efectos de Lote: GAMLSS logró una eliminación casi completa de los efectos residuales de la cohorte (R² de cohorte < 0.001), comparable a ComBat-GAM y ComBat-LS, y superior a ComBat clásico.
• Retención de Datos: GAMLSS y ComBat-LS retuvieron casi el 100% de las observaciones válidas. En contraste, ComBat y ComBat-GAM perdieron datos significativos (hasta 0.11% y 0.08% respectivamente), concentrados en características con distribuciones sesgadas a la derecha (como volúmenes de hipointensidades de sustancia blanca), donde los métodos gaussianos generaron valores negativos.
• Preservación de Señales Biológicas:
  • Edad: GAMLSS mostró la mejor preservación de las asociaciones con la edad, tanto en correlaciones univariadas como en la predicción multivariada de la edad (menor Error Absoluto Medio - MAE y mayor R²).
  • Sexo: Todos los métodos preservaron bien las diferencias de sexo, pero GAMLSS mantuvo trayectorias de edad biológicamente plausibles.
• Calidad de Trayectorias: En características complejas como el volumen de hipointensidades de la sustancia blanca, GAMLSS preservó la trayectoria exponencial esperada con la edad sin distorsiones, mientras que los métodos basados en ComBat mostraron oscilaciones erráticas o formas de trayectoria alteradas en ciertos grupos de edad.

5. Significado e Implicaciones

Este estudio demuestra que un marco flexible basado en GAMLSS es una alternativa superior a los métodos de armonización tradicionales (ComBat) para estudios de neuroimagen a gran escala, especialmente cuando se trata de fenotipos con distribuciones no gaussianas.

• Precisión Biológica: Al modelar la distribución completa, el método evita la "pérdida de señal" y la distorsión de trayectorias de desarrollo y envejecimiento que pueden ocurrir al forzar suposiciones gaussianas.
• Eficiencia Operativa: La capacidad de generar datos armonizados en escala nativa y puntuaciones normativas simultáneamente simplifica los flujos de trabajo de investigación.
• Futuro: Aunque el costo computacional es mayor que el de ComBat, la flexibilidad y la precisión en la preservación de la señal biológica lo posicionan como una herramienta esencial para la próxima generación de estudios de "cartografía cerebral" y modelado normativo a nivel de población.

En resumen, el enfoque propuesto ofrece una solución más robusta y flexible para la integración de datos de neuroimagen multi-cohorte, asegurando que las conclusiones biológicas reflejen la verdadera variación cerebral y no artefactos técnicos.