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

Resumo Técnico: Comparações de Métodos para Diferenciação de Esquizofrenia e Transtorno Bipolar baseadas em rs-fMRI

Definição do Problema
A esquizofrenia (SZ) e o transtorno bipolar (BP) com psicose são entidades clínicas distintas que compartilham sobreposições significativas de sintomas, riscos genéticos e déficits cognitivos. Essa sobreposição cria desafios substanciais para um diagnóstico diferencial preciso, onde o erro de diagnóstico pode levar a tratamentos ineficazes ou exacerbadores (ex: antipsicóticos piorando a mania no BP). Embora a ressonância magnética funcional em estado de repouso (rs-fMRI) ofereça uma via promissora para identificar biomarcadores objetivos, o campo carece de consenso sobre a representação mais eficaz da conectividade cerebral para distinguir esses transtornos. Especificamente, permanece incerto se os perfis temporais de redes de conectividade intrínseca (ICN) ou várias abordagens de conectividade de rede funcional (FNC) (estática, dinâmica e de alta ordem) fornecem um poder discriminativo superior.

Metodologia
O estudo avaliou múltiplas representações de rs-fMRI em uma coorte de 786 indivíduos (371 para treinamento, 315 para um conjunto de teste mantido à parte), compreendendo 288 pacientes com SZ e 183 com BP. Os dados consistiram em 105 redes de conectividade intrínseca (ICNs) derivadas de rs-fMRI usando um template de ICA espacialmente restrito multiescala. A metodologia foi dividida em dois fluxos primários:

1. Análise de Perfis Temporais de ICN:

   • Pré-processamento: As séries temporais das ICNs foram preenchidas com zeros (zero-padded) para um comprimento uniforme de 234 amostras. Os sinais foram processados via três filtros passa-faixa (Baixa: 0,01–0,15 Hz, Média: 0,15–0,35 Hz, Alta: 0,35–0,5 Hz).
   • Representações Tempo-Frequência: Espectrogramas foram gerados usando a Transformada de Fourier de Curto Prazo (STFT) com uma janela de Tukey, e escalogramas foram gerados usando a Transformada de Wavelet Contínua (CWT) com uma wavelet de Morlet.
   • Classificação: Arquiteturas de aprendizado profundo foram empregadas. Uma Rede Neural Convolucional (CNN) 1D foi treinada em séries temporais brutas e filtradas. Uma CNN 3D simplificada foi aplicada às características volumétricas de espectrograma e escalograma para gerenciar restrições computacionais.

2. Análise de Conectividade de Rede Funcional (FNC):

   • Extração de Características: Matrizes de FNC foram computadas como correlações de Pearson entre pares de séries temporais de ICN.
   • Representações:
     • FNC Estática (sFNC): Computada ao longo de toda a duração (e um comprimento padronizado e encurtado de 100 amostras para comparação).
     • FNC Dinâmica (dFNC): Computada usando janelas deslizantes com comprimentos ($L$) e passos ($s$) variados.
     • FNC de Alta Ordem (hFNC): Derivada pelo cálculo de correlações entre as séries temporais de correlação de clusters de dFNC (usando K-means com contagens de clusters $U$ variadas).
   • Classificação: Sete algoritmos clássicos de aprendizado de máquina (SVM, Random Forest, Regressão Logística, KNN, Naïve Bayes, Árvore de Decisão, LDA) foram treinados em características de conectividade achatadas (flattened). A Regressão Logística foi especificamente usada para as características de alta dimensão de sFNC, dFNC e hFNC derivadas de séries temporais encurtadas.

Principais Resultados
A avaliação, medida principalmente pela Área Sob a Curva (AUC) no conjunto de teste mantido à parte, apresentou os seguintes achados:

• Perfis Temporais de ICN: A CNN 1D treinada em séries temporais brutas de ICN alcançou o desempenho geral mais alto com um AUC de 0,67. Isso superou os modelos treinados em sinais limitados por banda (Frequência Média: 0,54, Baixa: 0,546, Alta: 0,53) e as CNNs 3D aplicadas a espectrogramas (AUC 0,49) e escalogramas (AUC 0,53).
• Métodos Baseados em Conectividade: Entre as abordagens de conectividade, a FNC Estática (sFNC) geralmente superou as representações dinâmicas e de alta ordem.
  • A sFNC alcançou um AUC de 0,570.
  • As configurações de dFNC variaram de 0,548 a 0,569, não mostrando vantagem clara sobre os métodos estáticos.
  • As configurações de hFNC tiveram o desempenho mais baixo, com AUCs variando de 0,436 a 0,565, sem apresentar tendência consistente em relação às escolhas de parâmetros (comprimento da janela, passo do tamanho, contagem de clusters).
• Desempenho de ML Clássico: Entre os sete classificadores aplicados às características completas de FNC, a Regressão Logística alcançou o maior ROC-AUC (0,640), seguida por SVM (0,632) e LDA (0,620). O Random Forest alcançou a maior acurácia bruta (0,68), mas exibiu um F1-score muito baixo (~0,20), indicando um viés em direção à classe majoritária (SZ) devido ao desequilíbrio de classes.

Significância e Alegações
O artigo postula que, embora o desempenho de classificação permaneça modesto, os resultados oferecem insights críticos sobre a estabilidade dos biomarcadores de neuroimagem para a diferenciação de psicose:

1. Superioridade dos Perfis Temporais Brutos: O achado de que os perfis temporais de ICN brutos processados por uma CNN 1D superam as representações tempo-frequência complexas sugere que a informação diagnosticamente relevante está distribuída por todo o espectro de frequência. Decompor os sinais em bandas estreitas ou estruturas 3D complexas pode descartar dinâmicas complementares entre as bandas ou introduzir riscos de overfitting dado o tamanho limitado da coorte.
2. Estabilidade da Conectividade de Baixa Ordem: A superação consistente da conectividade funcional estática sobre as representações dinâmicas e de alta ordem desafia a intuição de que o aumento da complexidade temporal gera maior utilidade diagnóstica. Os autores sugerem que a padronização dos comprimentos das séries temporais (para 100 amostras) para comparabilidade metodológica provavelmente reduziu a resolução temporal necessária para que a dFNC e a hFNC capturassem flutuações significativas.
3. Desafios na Diferenciação: O desempenho geral modesto ressalta a dificuldade inerente de diferenciar SZ e BP usando apenas rs-fMRI, dada a sua substancial sobreposição genética, neurobiológica e sintomática. O estudo enfatiza que o aumento da complexidade representacional não se traduz necessariamente em melhor generalização neste contexto.
4. Implicações Metodológicas: Os resultados destacam a importância da duração da aquisição, observando que a sFNC computada a partir de séries temporais de comprimento total em trabalhos anteriores rendeu pontuações melhores do que as versões encurtadas usadas aqui. O estudo também sinaliza o impacto do desequilíbrio de classes em métricas como F1-scores e acurácia, sugerindo que trabalhos futuros devem abordar isso para garantir que as métricas relatadas reflitam uma capacidade discriminativa genuína.

Em conclusão, o estudo contribui para o esforço contínuo de desenvolver biomarcadores de neuroimagem reprodutíveis ao demonstrar que representações simples e de baixa ordem (perfis temporais brutos e conectividade estática) oferecem atualmente o poder discriminativo mais robusto, embora ainda limitado, para distinguir esquizofrenia de transtorno bipolar.