Representation learning identifies systems-level neuroimaging signatures of traumatic brain injury-related attentional dysfunction in young adults

Resumen Técnico: El aprendizaje de representaciones identifica firmas de neuroimagen a nivel de sistemas de la disfunción atencional relacionada con el TCE

Planteamiento del problema
La lesión cerebral traumática (LCT), particularmente en casos de leves a moderados, resulta frecuentemente en déficits atencionales persistentes y alteraciones en el control inhibitorio que impactan significativamente la calidad de vida. Sin embargo, las firmas neurobiológicas subyacentes siguen estando insuficientemente comprendidas. Los estudios de neuroimagen tradicionales han arrojado hallazgos inconsistentes respecto a regiones cerebrales o vías específicas involucradas en la disfunción atencional relacionada con el TCE. Esta inconsistencia surge, en parte, porque el TCE suele implicar procesos neuropatológicos difusos que afectan a sistemas neurales distribuidos, en lugar de lesiones focales, lo cual los análisis convencionales por vóxel o por regiones de interés (ROI) no logran capturar de manera efectiva. Además, los enfoques actuales de aprendizaje automático (ML) en la investigación del TCE se han centrado mayoritariamente en la discriminación de grupos diagnósticos utilizando conjuntos de datos pequeños y clasificadores supervisados, con un énfasis limitado en la identificación de características neurobiológicas vinculadas específicamente a la severidad de los síntomas atencionales o en el uso de la estructura latente de datos multimodales de alta dimensión.

Metodología
El estudio empleó un marco de aprendizaje de representaciones semi-supervisado aplicado a datos de neuroimagen multimodales de 89 adultos jóvenes (44 con antecedentes de LCT relacionada con deportes y 45 controles sanos).

• Adquisición y procesamiento de datos: Los participantes se sometieron a resonancia magnética estructural (sMRI) de alta resolución, resonancia magnética de difusión (dMRI) y resonancia magnética funcional (fMRI) basada en tareas, utilizando una tarea validada de atención sostenida visual (VSAT).

  • sMRI: Procesada mediante el pipeline del Human Connectome Project y FreeSurfer para extraer 157 características (espesor cortical, volumen) de 89 ROIs.
  • dMRI: Preprocesada usando FSL para extraer 384 características, incluyendo la anisotropía fraccional (FA) de 14 tractos de sustancia blanca y métricas de teoría de grafos (eficiencia global/local nodal, coeficiente de agrupamiento, centralidad de intermediación) para la red estructural de la sustancia blanca.
  • fMRI: Procesada usando la caja de herramientas GAT-FD para construir redes funcionales a partir de 114 ROIs activadas por la tarea, generando 456 características (grado nodal, eficiencia, centralidad de intermediación).
  • Total de características: Se generaron 997 características multimodales brutas por sujeto.

• Reducción de características: Para mitigar el sobreajuste y reducir la dimensionalidad, se aplicó un procedimiento de selección de características de dos etapas con control de fuga dentro de cada iteración de validación cruzada. Esto consistió en pruebas t de dos muestras ($p < 0.05$) seguidas de un Análisis Discriminante Lineal (LDA) para retener las características con puntuaciones de coeficiente absoluto $>1.5$, reduciendo el espacio de características de 997 a 29.

• Arquitectura del modelo: Se implementó un autocodificador (AE) semi-supervisado con tres componentes:

  1. Codificador (Encoder): Comprimió la entrada de 29 dimensiones en una representación latente de 10 dimensiones mediante una capa oculta de 20 neuronas.
  2. Decodificador (Decoder): Reconstruyó el espacio de características original utilizando una arquitectura simétrica.
  3. Clasificador: Una rama supervisada que predijo el estado de LCT utilizando la representación latente (5 neuronas, salida sigmoide).
     El modelo optimizó conjuntamente el error de reconstrucción de la media (peso 0.7) y la pérdida de entropía cruzada binaria (peso 0.3). La inyección de ruido gaussiano (20% de las entradas) sirvió como estrategia de regularización de eliminación de ruido (denoising).

• Evaluación e interpretabilidad:

  • Clasificación: El rendimiento se evaluó mediante validación cruzada de 5 pliegues (5-fold) utilizando AUC, precisión, sensibilidad y especificidad.
  • Importancia de las características: El análisis basado en permutaciones (1,000 permutaciones) identificó las características altamente discriminativas (umbral: media + 1.5 DE).
  • Análisis cerebro-conducta: Se realizó una Regresión de Mínimos Cuadrados Parciales (PLSR) dentro del grupo de LCT para evaluar la relación entre las 6 principales características discriminativas y los síntomas atencionales (medidos por puntuaciones T de CAARS), controlando por edad, sexo, severidad de la lesión y número de lesiones.

Resultados clave

• Rendimiento de la clasificación: El modelo AE semi-supervisado alcanzó un Área Bajo la Curva (AUC) promedio de 0.932 ± 0.087, con una precisión del 88.5%, sensibilidad de ~90% y especificidad de ~86%. Este rendimiento superó significativamente al benchmark convencional de PCA-SVM.
• Características discriminativas: El análisis de permutación identificó un pequeño subconjunto de características de sistemas a nivel de sistemas altamente discriminativas. Las 4 principales características (que exceden la media + 1.5 DE) fueron:
  1. Centralidad de intermediación (BC) nodal del núcleo caudado derecho (red funcional).
  2. Grado nodal del giro cingulado derecho (red funcional).
  3. Grado nodal del surco temporal superior posterior (pSTS) izquierdo (red funcional).
  4. BC nodal del cuneus derecho (red estructural de sustancia blanca).
     Dos características adicionales (eficiencia global nodal de las regiones anterior rostral y caudal del cingulado en la red estructural) excedieron el umbral de la media + 0.5 DE.
• Ablación de características: Se observó una relación no lineal entre el número de características y el rendimiento; las 4 principales características capturaron la mayor parte del poder discriminativo, siendo que el modelo completo de 29 características proporcionaba ganancias marginales en estabilidad.
• Relaciones cerebro-conducta: En el grupo de LCT, la PLSR reveló que las características identificadas explicaron el 65.7% de la varianza en los síntomas atencionales ($R^2Y = 0.657$) con una relevancia predictiva robusta ($Q^2 = 0.534$, $p < 0.001$).
  • pSTS izquierdo (Funcional): Un menor grado nodal se asoció significativamente con mayores síntomas de inatención e hiperactividad/impulsividad (VIP = 1.48).
  • Cingulado anterior rostral/caudal derecho (Estructural): Una mayor eficiencia global nodal se asoció positivamente con la severidad de los síntomas (VIP > 1.0).
    No se encontraron asociaciones significativas cerebro-conducta en el grupo de control.

Contribuciones clave

1. Desarrollo del marco de trabajo: El estudio aplicó con éxito un autocodificador semi-supervisado a datos de neuroimagen multimodales, demostrando que el aprendizaje de representaciones puede comprimir eficazmente datos de LCT de alta dimensión y heterogéneos en representaciones latentes compactas y biológicamente significativas.
2. Firmas a nivel de sistemas: A diferencia de estudios previos centrados en regiones focales, este trabajo identificó que la disfunción atencional relacionada con el TCE se caracteriza por alteraciones distribuidas en las propiedades de red (grado nodal, eficiencia, centralidad de intermediación) a través de redes funcionales y estructurales.
3. Relevancia clínica: El estudio fue más allá de la simple clasificación diagnóstica al demostrar que las características latentes aprendidas por el modelo están significativamente asociadas con la severidad de los síntomas atencionales (inatención e hiperactividad/impulsividad) dentro de la población con LCT.
4. Interpretabilidad: A través de la importancia por permutación y PLSR, el estudio proporcionó un mapeo interpretable entre centros de red específicos (pSTS, cingulado, caudado, cuneus) y los resultados clínicos, ofreciendo una base biológicamente fundamentada para el desarrollo de biomarcadores.

Significancia y afirmaciones
Los autores afirman que este estudio proporciona un enfoque multimodal interpretable para desarrollar biomarcadores biológicamente fundamentados de la disfunción cognitiva post-LCT. Al cambiar el enfoque de las anomalías regionales aisladas hacia firmas latentes a nivel de sistemas, el marco captura la naturaleza distribuida de la patología del TCE de manera más efectiva que los métodos convencionales de estadística o de ML supervisado.

Los hallazgos sugieren que la disfunción atencional persistente tras un TCE no es simplemente el resultado de un daño focal, sino que refleja una comunicación y organización interrumpidas a través de sistemas neurales que interactúan, involucrando específicamente las redes fronto-estriatales, del cingulado, temporales posteriores y occipitales. Los autores postulan que estas representaciones neurobiológicas latentes ofrecen una vía prometedora para la estratificación objetiva de la disfunción cognitiva y pueden guiar el desarrollo de intervenciones dirigidas. Sin embargo, los autores señalan modestamente que el marco actual aún no está listo para la implementación clínica inmediata y requiere validación en cohortes más grandes y multicéntricas con seguimiento longitudinal para establecer la generalizabilidad y los mecanismos causales.