Modelado de estados en la dinámica de las redes cerebrales en estado de reposo.

Abstract

La dinámica de las redes cerebrales en estado de reposo (RSNs) es objeto de intensa investigación como posible predictor del estado cognitivo y conductual actual y futuro. Para modelar la actividad cerebral regional como una combinación lineal de la actividad pasada en todas las demás regiones se utilizan Autoregresores Multivariados (MAR). Los coeficientes del MAR se toman como estimaciones de la conectividad efectiva de la red cerebral. Sin embargo, la suposición de estacionariedad junto con el gran número de coeficientes, hace que el MAR sea poco práctico para la estimación precisa o eficiente de las redes a partir de series de tiempo de neuroimagen estándar con duración limitada. El método propuesto en esta tesis, HsMM-MAR-AC, es un modelo novedoso, híbrido, discreto-continuo y disperso para la estimación eficiente de redes cerebrales efectivas dependientes del tiempo, a partir de series de tiempo de actividad cerebral no estacionarias. Los estados cerebrales discretos cuasi estacionarios y el rápido cambio entre ellos se modelan mediante un Modelo Semi-Markov Oculto cuyas emisiones continuas se extraen de un MAR disperso. Los coeficientes dispersos del MAR se restringen mediante información de Conectividad Anatómica Cerebral de dos formas: i.) la conectividad directa efectiva entre dos regiones cerebrales solo se considera si existe la conexión anatómica correspondiente y ii.) el retraso asociado con cada conexión directa se calcula en función de la longitud promedio de las fibras entre las dos regiones, de manera que solo se estima un retraso por conexión. Se evaluó el rendimiento de HsMM-MAR-AC en base a la recuperación de las redes en estado de reposo (RSN) en señales simuladas de actividad cerebral. Se exploraron diferentes duraciones y diferentes umbrales de restricciones anatómicas. Los resultados demostraron que HsMM-MAR-AC recupera las RSNs de manera más precisa que el método de la ventana deslizante, con tan solo 4 minutos de datos. Además, los resultados muestran que con restricciones anatómicas menos estrictas, se necesitan series de tiempo más largas para estimar las redes, lo cual se vuelve computacionalmente inviable sin restricciones anatómicas. Adicionalmente, se aplicó el modelo HsMM-MAR-AC a datos reales de dos grupos de sujetos con edades diferentes. Un grupo con edades entre los 22 y 25 años y otro grupo con edades entre los 31 y 35 años. Los resultados demostraron que la red de modo por defecto (DMN) tiene una duración significativamente mayor en el caso de los sujetos de 31 a 35 años. Además, las conexiones entre las regiones de la DMN son más fuerte en el grupo de 31 a 35 años. HsMM-MAR-AC ofrece un modelo eficiente para estimar la conectividad efectiva dependiente del tiempo a partir de datos de neuroimagen, que aprovecha las ventajas de los modelos de Markov ocultos y MAR sin problemas de identificabilidad, una demanda excesiva en la recopilación de datos, ni esfuerzos computacionales innecesarios.