Superar la variabilidad del sitio en estudios de IRMf de múltiples sitios: un marco de autocodificación para una...

Área de la Ciencia:

• Imágenes neurológicas
• Aprendizaje automático
• Armonización de los datos

Sus antecedentes:

• La armonización de datos de resonancia magnética funcional (fMRI) en múltiples sitios es esencial para los modelos de aprendizaje automático generalizables (ML).
• Los métodos tradicionales como ComBat pueden no capturar variaciones complejas y no lineales del sitio y correr el riesgo de fugas de datos.
• Esto puede limitar la fiabilidad y la aplicabilidad clínica de los modelos ML formados con datos armonizados.

Objetivo del estudio:

• Proponer y evaluar los autocodificadores (AEs) como un nuevo método para armonizar los datos de IRMf de múltiples sitios.
• Aprovechar el aprendizaje de la representación no lineal de las EAs para reducir los efectos específicos del sitio y preservar las características biológicas.
• Abordar los problemas de fuga de datos inherentes a las técnicas tradicionales de armonización estadística.

Principales métodos:

• Desarrolló e implementó un marco que utiliza varias arquitecturas de Autoencoder (AE) (AE, SAE, TAE, DAE) para la armonización de datos de fMRI.
• Evaluó el marco del conjunto de datos de Intercambio de Imágenes Cerebrales del Autismo I (ABIDE-I) (1.035 sujetos, 17 centros).
• Validación cruzada de los empleados en un solo lugar (LOSO) para evaluar el rendimiento con respecto a los métodos de referencia.

Principales resultados:

• Todas las variantes de AE demostraron mejoras estadísticamente significativas con respecto al valor basal (p < 0,01).
• Las mejoras medias de precisión oscilaron entre el 3,41% y el 5,04% en la validación cruzada de LOSO.
• Los EA redujeron efectivamente la variabilidad específica del sitio al tiempo que preservaron las características neurobiológicas.

Conclusiones:

• Los autocodificadores ofrecen un enfoque potente y no lineal para armonizar los datos de resonancia magnética funcional en múltiples sitios.
• Este método mejora la robustez y la reproducibilidad de los análisis de neuroimágenes posteriores.
• El marco AE propuesto mitiga efectivamente la fuga de datos, mejorando la fiabilidad del modelo ML para uso clínico.