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

Sintesi Tecnica: Confronto tra Metodi per la Differenziazione di Schizofrenia e Disturbo Bipolare basati su rs-fMRI

Problema
La schizofrenia (SZ) e il disturbo bipolare (BP) con psicosi sono entità cliniche distinte che condividono significativi sintomi sovrapposti, fattori di rischio genetici e deficit cognitivi. Questa sovrapposzione crea sfide sostanziali per una diagnosi differenziale accurata, dove un errore diagnostico può portare a trattamenti inefficaci o esacerbanti (ad esempio, l'uso di antipsicotici che peggiora la mania nel BP). Sebbene la risonanza magnetica funzionale a stato di riposo (rs-fMRI) offra una via promettente per l'identificazione di biomarcatori oggettivi, il campo manca di un consenso sulla rappresentazione più efficace della connettività cerebrale per distinguere questi disturbi. In particolare, rimane poco chiaro se i profili temporali delle reti di connettività intrinseca (ICN) o varie metodologie di connettività di rete funzionale (FNC) (statica, dinamica e di ordine superiore) forniscano un potere discriminativo superiore.

Metodologia
Lo studio ha valutato molteplici rappresentazioni rs-fMRI su una coorte di 786 soggetti (371 per l'addestramento, 315 per un set di test separato), comprendente 288 pazienti con SZ e 183 con BP. I dati consistevano in 105 reti di connettività intrinseca (ICN) derivate da rs-fMRI utilizzando un template ICA spazialmente vincolato multi-scala. La metodologia è stata divisa in due flussi primari:

1. Analisi dei Profili Temporali delle ICN:

   • Pre-elaborazione: Le serie temporali delle ICN sono state sottoposte a zero-padding per raggiungere una lunghezza uniforme di 234 campioni. I segnali sono stati elaborati tramite tre filtri passa-banda (Basso: 0,01–0,15 Hz, Medio: 0,15–0,35 Hz, Alto: 0,35–0,5 Hz).
   • Rappresentazioni Tempo-Frequenza: Sono stati generati spettrogrammi utilizzando la Trasformata di Fourier a Breve Tempo (STFT) con una finestra di Tukey, e scalogrammi utilizzando la Trasformata Wavelet Continua (CWT) con una wavelet di Morlet.
   • Classificazione: Sono state impiegate architetture di deep learning. Una rete neurale convoluzionale (CNN) 1D è stata addestrata su serie temporali grezze e filtrate. Una versione semplificata di CNN 3D è stata applicata alle caratteristiche volumetriche dello spettrogramma e dello scalogramma per gestire i vincoli computazionali.

2. Analisi della Connettività di Rete Funzionale (FNC):

   • Estrazione delle Caratteristiche: Le matrici FNC sono state calcolate come correlazioni di Pearson tra coppie di serie temporali delle ICN.
   • Rappresentazioni:
     • FNC Statica (sFNC): Calcolata sull'intera durata (e su una lunghezza standardizzata accorciata di 100 campioni per il confronto).
     • FNC Dinamica (dFNC): Calcolata utilizzando finestre scorrevoli con diverse lunghezze ($L$) e step ($s$).
     • FNC di Ordine Superiore (hFNC): Derivata dal calcolo delle correlazioni tra le serie temporali di correlazione dei cluster dFNC (utilizzando il K-means con diversi conteggi di cluster $U$).
   • Classificazione: Sette algoritmi di machine learning classico (SVM, Random Forest, Regressione Logistica, KNN, Naïve Bayes, Decision Tree, LDA) sono stati addestrati su caratteristiche di connettività appiattite. La Regressione Logistica è stata utilizzata specificamente per le caratteristiche ad alta dimensionalità di sFNC, dFNC e hFNC derivate da serie temporali accorciate.

Risultati Chiave
La valutazione, misurata principalmente tramite l'Area Sotto la Curva (AUC) sul set di test separato, ha prodotto i seguenti risultati:

• Profili Temporali delle ICN: La CNN 1D addestrata sulle serie temporali grezze delle ICN ha ottenuto la performance complessiva più elevata con un AUC di 0,67. Ha superato i modelli addestrati su segnali limitati in banda (Frequenza Media: 0,54, Bassa: 0,546, Alta: 0,53) e le CNN 3D applicate a spettrogrammi (AUC 0,49) e scalogrammi (AUC 0,53).
• Metodi Basati sulla Connettività: Tra gli approcci di connettività, la FNC Statica (sFNC) ha generalmente superato le rappresentazioni dinamiche e di ordine superiore.
  • La sFNC ha raggiunto un AUC di 0,570.
  • Le configurazioni dFNC variavano da 0,548 a 0,569, non mostrando un vantaggio chiaro rispetto ai metodi statici.
  • Le configurazioni hFNC hanno ottenuto le performance peggiori, con AUC comprese tra 0,436 e 0,565, senza mostrare un trend costante rispetto alla scelta dei parametri (lunghezza della finestra, dimensione dello step, numero di cluster).
• Performance del ML Classico: Tra i sette classificatori applicati alle caratteristiche FNC complete, la Regressione Logistica ha ottenuto l'ROC-AUC più alto (0,640), seguita da SVM (0,632) e LDA (0,620). Random Forest ha ottenuto l'accuratezza grezza più elevata (0,68) ma ha mostrato un F1 score molto basso (~0,20), indicando un bias verso la classe maggioritaria (SZ) dovuto allo sbilanciamento delle classi.

Significatività e Rivendicazioni
Il documento sostiene che, sebbene la performance di classificazione rimanga modesta, i risultati offrono intuizioni critiche sulla stabilità dei biomarcatori di neuroimaging per la differenziazione della psicosi:

1. Superiorità dei Profili Temporali Grezzi: Il fatto che le profili temporali delle ICN grezzi elaborati da una CNN 1D superino le rappresentazioni tempo-frequenza più complesse suggerisce che l'informazione diagnostica rilevante sia distribuita attraverso l'intero spettro di frequenza. La decomposizione dei segnali in bande strette o strutture 3D complesse può scartare la dinamica complementare tra le bande o introdurre rischi di overfitting dato il limitato numero di soggetti.
2. Stabilità della Connettività di Ordine Inferiore: Il costante superamento della connettività funzionale statica rispetto alle rappresentazioni dinamiche e di ordine superiore sfida l'intuizione che una maggiore complessità temporale porti a una migliore utilità diagnostica. Gli autori suggeriscono che la standardizzazione della lunghezza delle serie temporali (a 100 campioni) per la comparabilità metodologica abbia probabilmente ridotto la risoluzione temporale necessaria affinché dFNC e hFNC catturassero fluttuazioni significative.
3. Sfide nella Differenziazione: La modesta performance complessiva sottolinea l'intrinseca difficoltà di differenziare SZ e BP usando solo la rs-fMRI, data la loro sostanziale sovrapposizione genetica, neurobiologica e sintomatica. Lo studio evidenzia come l'aumento della complessità rappresentativa non si traduca necessariamente in un miglioramento della generalizzazione in questo contesto.
4. Implicazioni Metodologiche: I risultati evidenziano l'importanza della durata dell'acquisizione, notando che la sFNC calcolata su serie temporali di lunghezza completa in lavori precedenti produceva punteggi migliori rispetto alle versioni accorciate utilizzate qui. Lo studio segnala inoltre l'impatto dello sbilanciamento delle classi su metriche come F1 score e accuratezza, suggerendo che i lavori futuri debbano affrontare questo aspetto per garantire che le metriche riportate riflettano una reale capacità discriminativa.

In conclusione, lo studio contribuisce allo sforzo continuo di sviluppare biomarcatori di neuroimaging riproducibili, dimostrando che le rappresentazioni semplici e di ordine inferiore (profili temporali grezzi e connettività statica) offrono attualmente la capacità discriminativa più robusta, seppur ancora limitata, per distinguere la schizofrenia dal disturbo bipolare.