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

Resumo Técnico: O Aprendizado de Representação Identifica Assinaturas de Neuroimagem em Nível de Sistemas para a Disfunção Atencional Relacionada ao TCE

Definição do Problema
O traumatismo cranioencefálico (TCE), particularmente nos casos de leve a moderado, resulta frequentemente em déficits atencionais persistentes e prejuízos no controle inibitório que impactam significativamente a qualidade de vida. No entanto, as assinaturas neurobiológicas subjacentes permanecem pouco compreendidas. Estudos tradicionais de neuroimagem produziram achados inconsistentes em relação a regiões cerebrais ou vias específicas envolvidas na disfunção atencional relacionada ao TCE. Essa inconsistência decorre, em parte, do fato de que o TCE frequentemente envolve processos neuropatológicos difusos que afetam sistemas neurais distribuídos, em vez de lesões focais, os quais as análises convencionais de voxel ou de região de interesse (ROI) não conseguem capturar de forma eficaz. Além disso, as abordagens de aprendizado de máquina (ML) existentes na pesquisa de TCE concentraram-se amplamente na discriminação de grupos diagnósticos usando conjuntos de dados pequenos e classificadores supervisionados, com ênfase limitada na identificação de características neurobiológicas especificamente ligadas à gravidade dos sintomas atencionais ou no uso da estrutura latente de dados multimodais de alta dimensão.

Metodologia
O estudo empregou uma estrutura de aprendizado de representação semissupervisionada aplicada a dados de neuroimagem multimodais de 89 adultos jovens (44 com histórico de TCE relacionado a esportes e 45 controles saudáveis).

• Aquisição e Processamento de Dados: Os participantes foram submetidos a RM estrutural (sMRI) de alta resolução, RM de difusão (dMRI) e RM funcional baseada em tarefas (fMRI) utilizando uma tarefa validada de atenção sustentada visual (VSAT).

  • sMRI: Processada via pipeline do Human Connectome Project e FreeSurfer para extrair 157 características (espessura cortical, volume) de 89 ROIs.
  • dMRI: Pré-processada usando FSL para extrair 384 características, incluindo anisotropia fracionada (FA) de 14 tratos de substância branca e métricas de teoria dos grafos (eficiência global/local nodal, coeficiente de agrupamento, centralidade de intermediação) para a rede estrutural de substância branca.
  • fMRI: Processada usando a ferramenta GAT-FD para construir redes funcionais a partir de 114 ROIs ativadas pela tarefa, gerando 456 características (grau nodal, eficiência, centralidade de intermediação).
  • Total de Características: 997 características multimodais brutas foram geradas por sujeito.

• Redução de Características: Para mitigar o sobreajuste (overfitting) e reduzir a dimensionalidade, um procedimento de seleção de características em duas etapas com controle de vazamento foi aplicado dentro de cada dobra de validação cruzada. Isso envolveu testes t de duas amostras ($p < 0,05$) seguidos de Análise Discriminante Linear (LDA) para reter características com escores de coeficiente absoluto $> 1,5$, reduzindo o espaço de características de 997 para 29.

• Arquitetura do Modelo: Um autoencoder (AE) semissupervisionado foi implementado com três componentes:

  1. Encoder (Codificador): Comprimiu a entrada de 29 dimensões em uma representação latente de 10 dimensões através de uma camada oculta de 20 neurônios.
  2. Decoder (Decodificador): Reconstruiu o espaço de características original usando uma arquitetura espelhada.
  3. Classificador: Um ramo supervisionado que previu o status de TCE usando a representação latente (5 neurônios, saída sigmoide).
     O modelo otimizou conjuntamente o erro de reconstrução do erro quadrático médio (peso 0,7) e a perda de entropia cruzada binária (peso 0,3). A injeção de ruído gaussiano (20% das entradas) serviu como uma estratégia de regularização de denoising.

• Avaliação e Interpretabilidade:

  • Classificação: O desempenho foi avaliado via validação cruzada de 5 dobras usando AUC, acurácia, sensibilidade e especificidade.
  • Importância das Características: A análise baseada em permutação (1.000 embaralhamentos) identificou características altamente discriminativas (limiar: média + 1,5 DP).
  • Análise Cérebro-Comportamento: A Regressão de Mínimos Quadrados Parciais (PLSR) foi realizada dentro do grupo TCE para avaliar a relação entre as 6 principais características discriminativas e os sintomas atencionais (medidos por escores T do CAARS), controlando idade, sexo, gravidade da lesão e número de lesões.

Principais Resultados

• Desempenho de Classificação: O modelo AE semissupervisionado alcançou uma AUC média de 0,932 ± 0,087, com uma acurácia de 88,5%, sensibilidade de ~90% e especificidade de ~86%. Este desempenho superou significativamente um benchmark convencional de PCA-SVM.
• Características Discriminativas: A análise de permutação identificou um pequeno subconjunto de características de nível de sistemas altamente discriminativas. As 4 principais características (excedendo a média + 1,5 DP) foram:
  1. Centralidade de intermediação (BC) nodal do núcleo caudado direito (rede funcional).
  2. Grau nodal do giro do cíngulo direito (rede funcional).
  3. Grau nodal da sulco temporal superior posterior esquerda (pSTS) (rede funcional).
  4. BC nodal do cuneus direito (rede estrutural de substância branca).
     Duas características adicionais (eficiência global nodal das regiões do cíngulo anterior rostral e caudal na rede estrutural) excederam o limiar de média + 0,5 DP.
• Ablação de Características: Observou-se uma relação não linear entre a contagem de características e o desempenho; as 4 principais características capturaram a maior parte do poder discriminativo, com o modelo completo de 29 características fornecendo ganhos marginais em estabilidade.
• Relações Cérebro-Comportamento: No grupo TCE, a PLSR revelou que as características identificadas explicaram 65,7% da variância nos sintomas atencionais ($R^2Y = 0,657$) com relevância preditiva robusta ($Q^2 = 0,534$, $p < 0,001$).
  • pSTS Esquerda (Funcional): O menor grau nodal foi significativamente associado a maiores sintomas de desatenção e hiperatividade/impulsividade (VIP = ,148).
  • Cíngulo Anterior Rostral/Caudal Direito (Estrutural): A maior eficiência global nodal foi positivamente associada à gravidade dos sintomas (VIP > 1,0).
    Nenhuma associação cérebro-comportamento significativa foi encontrada no grupo controle.

Principais Contribuições

1. Desenvolvimento de Estrutura: O estudo aplicou com sucesso um autoencoder semissupervisionado a dados de neuroimagem multimodais, demonstrando que o aprendizado de representação pode comprimir efetivamente dados de TCE de alta dimensão e heterogêneos em representações latentes compactas e biologicamente significativas.
2. Assinaturas de Nível de Sistemas: Ao contrário de estudos anteriores focados em regiões focais, este trabalho identificou que a disfunção atencional relacionada ao TCE é caracterizada por alterações distribuídas nas propriedades de rede (grau nodal, eficiência, centralidade de intermediação) através de redes funcionais e estruturais.
3. Relevância Clínica: O estudo foi além da simples classificação diagnóstica ao demonstrar que as características latentes aprendidas pelo modelo estão significativamente associadas à gravidade dos sintomas atencionais (desatenção e hiperatividade/impulsividade) dentro da população com TCE.
4. Interpretabilidade: Através da importância por permutação e PLSR, o estudo forneceu um mapeamento interpretável entre hubs de rede específicos (pSTS, cíngulo, caudado, cuneus) e desfechos clínicos, oferecendo uma base biologicamente fundamentada para o desenvolvimento de biomarcadores.

Significância e Alegações
Os autores alegam que este estudo fornece uma abordagem multimodal interpretável para o desenvolvimento de biomarcadores biologicamente fundamentados da disfunção cognitiva pós-TCE. Ao mudar o foco de anormalidades regionais isoladas para assinaturas latentes de nível de sistemas, a estrutura captura a natureza distribuída da patologia do TCE de forma mais eficaz do que os métodos estatísticos ou de ML supervisionados convencionais.

Os achados sugerem que a disfunção atencional persistente após o TCE não é meramente o resultado de danos focais, mas reflete a interrupção da comunicação e organização através de sistemas neurais interagentes, envolvendo especificamente redes fronto-estriatais, do cíngulo, temporais posteriores e occipitais. Os autores postulam que essas representações neurobiológicas latentes oferecem um caminho promissor para a estratificação objetiva da disfunção cognitiva e podem guiar o desenvolvimento de intervenções direcionadas. No entanto, os autores notam modestamente que a estrutura atual ainda não está pronta para implementação clínica imediata e requer validação em coortes maiores, multicêntricas, com acompanhamento longitudinal para estabelecer a generalizabilidade e os mecanismos causais.