Method comparisons for differentiation of Schizophrenia and Bipolar based on rs-fMRI Intrinsic and Functional Networks

Resumen Técnico: Comparaciones de Métodos para la Diferenciación de Esquizofrenia y Trastorno Bipolar basados en rs-fMRI

Planteamiento del Problema
La esquizofrenia (SZ) y el trastorno bipolar (BP) con psicosis son entidades clínicas distintas que comparten una superposición significativa de síntomas, factores de riesgo genéticos y déficits cognitivos. Esta superposición crea desafíos sustancials para un diagnóstico diferencial preciso, donde un error de diagnóstico puede conducir a tratamientos ineficaces o que exacerban la condición (por ejemplo, el uso de antipsicóticos que empeoran la manía en el BP). Si bien la resonancia magnética funcional en estado de reposo (rs-fMRI) ofrece una vía prometedora para identificar biomarcadores objetivos, el campo carece de un consenso sobre la representación más efectiva de la conectividad cerebral para distinguir estos trastornos. Específicamente, no está claro si los perfiles temporales de las redes de conectividad intrínseca (ICN) o diversos enfoques de conectividad de redes funcionales (FNC) (estáticos, dinámicos y de alto orden) proporcionan un poder discriminativo superior.

Metodología
El estudio evaluó múltiples representaciones de rs-fMRI en una cohorte de 786 sujetos (371 para entrenamiento, 315 para un conjunto de prueba retenido), que comprendía 288 pacientes con SZ y 183 con BP. Los datos consistieron en 105 redes de conectividad intrínseca (ICN) derivadas de rs-fMRI utilizando una plantilla de Análisis de Componentes Independientes (ICA) espacialmente restringida multiescala. La metodología se dividió en dos corrientes principales:

1. Análisis de Perfiles Temporales de ICN:

   • Preprocesamiento: Las series temporales de las ICN se rellenaron con ceros para alcanzar una longitud uniforme de 234 muestras. Las señales fueron procesadas mediante tres filtros de paso de banda (Bajo: 0.01–0.15 Hz, Medio: 0.15–0.35 Hz, Alto: 0.35–0.5 Hz).
   • Representaciones de Tiempo-Frecuencia: Se generaron espectrogramas utilizando la Transformada de Fourier de Tiempo Corto (STFT) con una ventana de Tukey, y escalogramas utilizando la Transformada Continua de Wavelet (CWT) con una wavelet de Morlet.
   • Clasificación: Se emplearon arquitecturas de aprendizaje profundo. Se entrenó una Red Neuronal Convolucional (CNN) 1D en las series temporales puras y filtradas. Se aplicó una CNN 3D simplificada a las características volumétricas de los espectrogramas y escalogramas para gestionar las restricciones computacionales.

2. Análisis de Conectividad de Redes Funcionales (FNC):

   • Extracción de Características: Las matrices FNC se computaron como correlaciones de Pearson entre pares de series temporales de las ICN.
   • Representaciones:
     • FNC Estática (sFNC): Computada sobre la duración completa (y una longitud estandarizada y acortada de 100 muestras para comparación).
     • FNC Dinámica (dFNC): Computada mediante ventanas deslizantes con longitudes ($L$) y tamaños de paso ($s$) variables.
     • FNC de Alto Orden (hFNC): Derivada mediante el cálculo de correlaciones entre las series temporales de correlación de los grupos de dFNC (usando K-means con diferentes conteos de clústeres $U$).
   • Clasificación: Siete algoritmos de aprendizaje automático clásicos (SVM, Random Forest, Regresión Logística, KNN, Naïve Bayes, Árbol de Decisión, LDA) fueron entrenados sobre características de conectividad aplanadas. La Regresión Logística se utilizó específicamente para las características de alta dimensión de sFNC, dFNC y hFNC derivadas de las series temporales acortadas.

Resultados Clave
La evaluación, medida principalmente por el Área Bajo la Curva (AUC) en el conjunto de prueba retenido, arrojó los siguientes hallazgos:

• Perfiles Temporales de ICN: La CNN 1D entrenada en las series temporales puras de las ICN logró el desempeño general más alto con un AUC de 0.67. Esto superó a los modelos entrenados en señales de banda limitada (Frecuencia Media: 0.54, Baja: 0.546, Alta: 0.53) y a las CNN 3D aplicadas a espectrogramas (AUC 0.49) y escalogramas (AUC 0.53).
• Métodos Basados en Conectividad: Entre los enfoques de conectividad, la FNC Estática (sFNC) generalmente superó a las representaciones dinámicas y de alto orden.
  • La sFNC alcanzó un AUC de 0.570.
  • Las configuraciones de dFNC oscilaron entre 0.548 y 0.569, sin mostrar una ventaja clara sobre los métodos estáticos.
  • Las configuraciones de hFNC tuvieron el desempeño más pobre, con AUCs que oscilaron entre 0.436 y 0.565, sin mostrar una tendencia consistente respecto a la elección de parámetros (longitud de ventana, tamaño de paso, conteo de clústeres).
• Desempeño de ML Clásico: Entre los siete clasificadores aplicados a las características completas de FNC, la Regresión Logística logró el ROC-AUC más alto (0.640), seguida de SVM (0.632) y LDA (0.620). Random Forest logró la mayor precisión bruta (0.68) pero exhibió un valor F1 muy bajo (~0.20), lo que indica un sesgo hacia la clase mayoritaria (SZ) debido al desequilibrio de clases.

Significancia y Reivindicaciones
El artículo postula que, si bien el desempeño de la clasificación sigue siendo modesto, los resultados ofrecen perspectivas críticas sobre la estabilidad de los biomarcadores de neuroimagen para la diferenciación de la psicosis:

1. Superioridad de los Perfiles Temporales Puros: El hallazgo de que los perfiles temporales puros de las ICN procesados por una CNN 1D superan a las representaciones complejas de tiempo-frecuencia sugiere que la información diagnósticamente relevante está distribuida a través de todo el espectro de frecuencias. Descomponer las señales en bandas estrechas o estructuras 3D complejas puede descartar la dinámica complementaria entre bandas o introducir riesgos de sobreajuste dado el tamaño limitado de la cohorte.
2. Estabilidad de la Conectividad de Bajo Orden: El hecho de que la conectividad funcional estática supere consistentemente a las representaciones dinámicas y de alto orden desafía la intuición de que una mayor complejidad temporal genera una mejor utilidad diagnóstica. Los autores sugieren que la estandarización de las longitudes de las series temporales (a 100 muestras) para la comparabilidad metodológica probablemente redujo la resolución temporal necesaria para que la dFNC y la hFNC capturaran fluctuaciones significativas.
3. Desafíos en la Diferenciación: El modesto desempeño general subraya la dificultad inherente de diferenciar SZ y BP utilizando únicamente rs-fMRI, dada su sustancial superposición genética, neurobiológica y sintomática. El estudio enfatiza que un aumento en la complejidad de la representación no necesariamente se traduce en una mejora de la generalización en este contexto.
4. Implicaciones Metodológicas: Los resultados resaltan la importancia de la duración de la adquisición, señalando que la sFNC computada a partir de series temporales de longitud completa en trabajos previos arrojó mejores puntuaciones que las versiones acortadas utilizadas aquí. El estudio también advierte sobre el impacto del desequilibrio de clases en métricas como los valores F1 y la precisión, sugiriendo que el trabajo futuro debe abordar esto para asegurar que las métricas reportadas reflejen una capacidad discriminativa genuina.

En conclusión, el estudio contribuye al esfuerzo continuo por desarrollar biomarcadores de neuroimagen reproducibles al demostrar que las representaciones simples de bajo orden (perfiles temporales puros y conectividad estática) ofrecen actualmente el poder discriminativo más robusto, aunque todavía limitado, para distinguir la esquizofrenia del trastorno bipolar.