Los investigadores de Northwestern han desarrollado un método basado en el aprendizaje profundo que puede predecir la capacidad de la función cognitiva en función de la forma y la estructura del cerebro, detallado en un estudio publicado en Scientific Reports .
El método, que utiliza redes neuronales convolucionales gráficas (gCNN), también puede revelar nuevos conocimientos sobre la relación entre la morfología del cerebro y las diferentes funciones cognitivas, así como la disminución de la función cerebral.
«Cuando aplicamos las ricas capacidades de las CNN a la representación gráfica del cerebro, podemos explorar el cerebro como una imagen de una manera previamente inexplorada», dijo S. Kathleen Bandt, MD, profesora asistente de Cirugía Neurológica y coautora de el estudio.
La comprensión de cómo la relación entre la estructura del cerebro y la función cognitiva cambia a lo largo del curso de la vida sigue siendo difícil de alcanzar. Sin embargo, trabajos anteriores sugieren que la inteligencia fluida, la capacidad para resolver problemas y pensar y razonar de manera abstracta, depende en gran medida de dos regiones del cerebro: la corteza prefrontal y la corteza parietal , ambas involucradas en la toma de decisiones y la percepción sensorial, entre otras. otras funciones.
Además, investigar la asociación entre la estructura cerebral y la función cognitiva puede proporcionar información adicional sobre la maduración y el envejecimiento del cerebro, así como sobre las causas fisiológicas del deterioro cognitivo.
En el estudio actual, los investigadores desarrollaron nuevas gCNN, un modelo de aprendizaje profundo especializado que extrae distintas características morfológicas, como el grosor cortical y la estructura subcortical, a partir de resonancias magnéticas cerebrales convertidas para predecir la inteligencia fluida.
«Estamos reduciendo el cerebro solo a sus superficies, lo que significa que podemos capturar información no solo sobre los patrones de plegamiento, sino también sobre la curvatura y las relaciones entre las superficies en decenas de miles de nodos, incluida la superficie cortical externa, la superficie cortical interna y la superficie de siete estructuras cerebrales subcorticales», dijo Bandt.
Utilizando sus nuevas gCNN, los científicos extrajeron información morfológica de cintas corticales y estructuras subcorticales de dos grandes conjuntos de datos de resonancia magnética que involucraban a pacientes de diferentes grupos de edad.
Usando este enfoque, los investigadores pudieron demostrar que su modelo superó significativamente a otros métodos similares de última generación y que el uso de una combinación de estructuras corticales y subcorticales proporcionó las predicciones más precisas.
Además, en ambos conjuntos de datos, encontraron que las características estructurales de la amígdala, el hipocampo y el núcleo accumbens (NAc), junto con la corteza cingulada, parietal y temporal, impulsaron la predicción de inteligencia fluida.
«Trabajos anteriores que investigan el sustrato neuroanatómico de la inteligencia fluida han identificado asociaciones entre áreas corticales generalizadas, pero se han informado relativamente pocas relaciones con estructuras subcorticales. Nuestro estudio se sumó a estos estudios al identificar la participación de la NAc bilateral, el hipocampo en la predicción de la inteligencia fluida. , que se han relacionado con los aspectos de la ciencia cognitiva, como el procesamiento de recompensas en el juicio y la toma de decisiones, así como la regulación de las emociones», dijo Yunan Wu, Ph.D., estudiante de posgrado en el Departamento de Electricidad y Tecnología de la Escuela de Ingeniería McCormick. Ingeniería Informática y autor principal del estudio.
Según los autores, sus gCNN basadas en la superficie ofrecen la oportunidad de mapear las relaciones identificadas entre la neurocognición y la anatomía del cerebro para innumerables propósitos de investigación. El método también requiere menos tiempo de entrenamiento y cálculos, lo que lo hace más eficiente para aplicarlo a otros conjuntos de datos integrales.
Por ejemplo, otro estudio reciente dirigido por Bandt utilizó el análisis de gCNN para el envejecimiento y la demencia y descubrió que el ritmo del envejecimiento del cerebro difiere entre individuos sanos y pacientes con demencia.
«Ahora buscamos ver si se pueden predecir medidas cognitivas similares usando este método como se ha hecho en nuestro trabajo aquí sobre inteligencia fluida, pero también podemos predecir el inicio de la demencia y potencialmente prevenirla o retrasarla antes de que comience».
Imagen principal:
El rendimiento del modelo estadístico de predicción de la puntuación de inteligencia fluida en el conjunto de datos de prueba ABCD. (A) Todo: entrenamiento con todas las estructuras corticales y subcorticales. (B) Cortical: entrenamiento solo con estructuras corticales. (C) Subcortical: entrenamiento solo con estructuras subcorticales. Se encuentran correlaciones significativas entre la puntuación Gf predicha y la realidad del terreno entre el conjunto de datos de prueba utilizando todas las estructuras (A), solo corticales (B) y solo subcorticales (C), respectivamente. Se dan la correlación (R) y el valor de p de la puntuación predicha frente a las puntuaciones de la realidad básica. La línea discontinua muestra los intervalos de predicción del 95 % para una nueva observación y las regiones sombreadas implican los intervalos de confianza del 95 % para la población de predicción. (D) Los diagramas de caja comparan las puntuaciones R en los tres conjuntos de datos diferentes en los cinco pliegues. Los puntos rojos corresponden a la puntuación R media generada a partir de los cinco pliegues. (ns) No significativo, *p < 0,05, **p < 0,01, ***p < 0,001. Crédito:Informes científicos (2022). DOI: 10.1038/s41598-022-22313-x
Referencia:
- Yunan Wu et al, A multicohort geometric deep learning study of age dependent cortical and subcortical morphologic interactions for fluid intelligence prediction, Scientific Reports (2022). DOI: 10.1038/s41598-022-22313-x
