Estimating measures of information processing during cognitive tasks using functional magnetic resonance imaging

Sintesi Tecnica: Stima delle Misure di Elaborazione dell'Informazione nella fMRI basata su Task

Problema
La cognizione è sempre più concettualizzata come elaborazione di informazioni, eppure le analisi convenzionali della risonanza magnetica funzionale (fMRI) si concentrano prevalentemente sull'attivazione regionale o sulla connettività funzionale (basata sulla correlazione). Questi metodi convenzionali non riescono a quantificare come l'informazione viene memorizzata, trasferita o integrata all'interno dei sistemi neurali. Inoltre, l'applicazione di misure basate sulla teoria dell'informazione alla fMRI basata su task presenta significativi ostacoli metodologici: le registrazioni dei task sono intrinsecamente brevi e non stazionarie, e la lenta funzione di risposta emodinamica (HRF) oscura la dinamica temporale dell'attività neurale. Gli approoli esistenti spesso si affidano a dati di stato di riposo (resting-state) dove le assunzioni di stazionarietà sono rispettate, lasciando un vuoto nella caratterizzazione dell'elaborazione delle informazioni durante specifiche richieste cognitive.

Metodologia
Gli autori propongono un framework per stimare tre misure fondamentali della teoria dell'informazione dai dati fMRI basati su task: l'Informazione Attiva Memorizzata (AIS - Active Information Storage), l'Entropia di Trasferimento (TE - Transfer Entropy) e la Sinergia Netta. Lo studio utilizza i dati del Human Connectome Project (HCP), specificamente il task di memoria di lavoro (N-back) che coinvolge 470 partecipanti (condizioni 0-back e 2-back) insieme a registrazioni indipendenti di stato di riposo.

La pipeline metodologica affronta le sfide attraverso i seguenti passaggi:

1. Pre-processing: È stata applicata la standard preprocessing fMRI (correzione del movimento, regressione dei disturbi). Fondamentalmente, gli autori hanno applicato la deconvoluzione cieca per rimuovere l'HRF dai dati, mitigando la sfocatura temporale che distorce le stime del flusso di informazione.
2. Informazione Mutua Incrociata (Cross MI): Per superare i limiti dei dati task brevi e non stazionari, gli autori hanno adottato un approccio recentemente sviluppato utilizzando la Cross Mutual Information. A differenza della tradizionale MI "condizionale", che definisce la distribuzione di probabilità basandosi esclusivamente sui dati del task (condizionando sul task), la Cross MI utilizza una distribuzione di riferimento derivata dalla concatenazione sia dei dati di riposo che di quelli del task. La distribuzione di test è invece derivata dalla specifica condizione del task (es. 2-back). Ciò consente al framework di determinare se le dipendenze specifiche del task siano atipiche rispetto all'attività basale più ampia del soggetto, fornendo un contesto più robusto per le registrazioni brevi.
3. Stimatori: Tutte le misure sono state calcolate utilizzando lo stimatore KSG1 (Kraskov et al., 2004) implementato nel toolbox JIDT. Per gestire l'autocorrelazione inerente alla fMRI, l'analisi ha escluso i campioni autocorrelati durante la stima.
4. Strategia di Analisi: Le misure locali (istantanee) sono state calcolate in ogni punto temporale. Successivamente, è stato applicato un Modello Lineare Generale (GLM) per estrarre le medie specifiche per condizione. Lo studio si è concentrato su due contrasti: 2-back vs rest (che cattura il generale impegno nel task) e 2-back vs 0-back (che isola l'elaborazione specifica della memoria di lavoro controllando le richieste sensoriali e motorie).

Contributi Chiave

• Framework Metodologico: L'articolo stabilisce una nuova pipeline per l'applicazione di misure basate sulla teoria dell'informazione alla fMRI basata su task, integrando la deconvoluzione HRF con l'approccio Cross MI. Questo affronta specificamente le sfide della non-stazionarietà e della dimensione limitata del campione nei dati task.
• Differenziazione delle Misure: Lo studio dimostra che la Cross MI fornisce contrasti più coerenti e interpretabili rispetto alla MI condizionale, in particolare nell'identificare le dipendenze evocate dal task che sono distinte dall'attività basale.
• Quantificazione di Sinergia e Ridondanza: Calcolando la Sinergia Netta, il framework va oltre la semplice connettività per distinguere se le interazioni inter-regionali siano primariamente sinergiche (informazione rivelata solo quando gli input vengono combinati) o ridondanti (informazione sovrapposta).

Risultati
L'analisi del task N-back dell'HCP ha rivelato pattern distinti di elaborazione delle informazioni:

• Informazione Memorizzata (AIS): Nel contrasto 2-back vs rest, l'AIS è aumentata globalmente, con gli incrementi più significativi nei moduli visivi. Nel contrasto 2-back vs 0-back (isolando la memoria di lavoro), l'AIS è aumentata specificamente nelle regioni fronto-parietali, rispecchiando i pattern di attivazione convenzionali ma quantificando la stabilità temporale delle rappresentazioni neurali.
• Trasferimento di Informazione (TE): Il contrasto 2-back vs rest ha mostrato un dominante outflow di informazione dalle regioni visive verso altri moduli. Nel contrasto 2-back vs 0-back, il trasferimento di informazione è aumentato ampiamente in tutta la corteccia, suggerendo che la memoria di lavoro sia un processo distribuito. Tuttavia, il trasferimento intra-modulo è diminuito in specifici moduli (VIS B e CON A), indicando una riorganizzazione verso un'elaborazione più localizzata.
• Sinergia Netta: È stato osservato uno spostamento globale verso la ridondanza in quasi tutti i moduli durante il contrasto 2-back vs 0-back. Ciò suggerisce che, sotto un elevato carico cognitivo, il cervello si riorganizza per condividere informazioni sovrapposte tra le regioni, potenzialmente per aumentare la robustezza. Notevolmente, specifici moduli (VIS B, CON A e DMN A) hanno mostrato uno spostamento verso la sinergia, indicando un'elaborazione integrativa preservata o potenziata in queste aree.
• Correlati Comportamentali: Le differenze individuali nella performance del task (accuratezza 2-back) sono state significativamente associate all'entità degli aumenti di AIS nelle regioni frontali e alla forza dello spostamento verso la ridondanza. Una maggiore accuratezza era correlata a una maggiore memorizzazione di informazioni e a uno spostamento più forte verso la ridondanza. Non è stata trovata alcuna associazione significativa tra la performance e l'Entropia di Trasferimento.

Significatività
L'articolo sostiene di aver stabilito una nuova metodologia per quantificare l'elaborazione delle informazioni nella fMRI basata su task, andando oltre l'attivazione e la connettività per caratterizzare la dinamica di memorizzazione, trasferimento e integrazione. I risultati suggeriscono che la memoria di lavoro non è semplicemente una questione di aumento dell'attivazione, ma implica:

1. Un potenziamento della stabilità temporale delle rappresentazioni (AIS) nelle reti fronto-parietali.
2. Una riorganizzazione globale verso un'elaborazione delle informazioni ridondante, probabilmente per supportare la robustezza contro il rumore e l'interferenza.
3. Un'elaborazione sinergica selettiva in specifici moduli di controllo e visivi.

Gli autori postulano che queste misure basate sulla teoria dell'informazione forniscano marcatori di funzione cognitiva biologicamente significativi che completano ed estendono le analisi fMRI convenzionali. Il lavoro valida la fattibilità dell'uso di Cross MI e della deconvoluzione HRF per studiare i processi cognitivi nella fMRI basata su task, offrendo un framework rigoroso per future investigazioni su come il cervello codifica, memorizza e manipola le informazioni.