Más allá de la conectividad funcional: modelado de series temporales para la clasificación de trastornos cerebrales basada en fMRI | JoVE Visualize

Área de la Ciencia:

Neuroimagen
Aprendizaje automático
Neurociencia computacional

Sus antecedentes:

La imagen por resonancia magnética funcional (fMRI) utiliza señales de dependencia de nivel de oxígeno en sangre (BOLD) para la clasificación no invasiva de trastornos cerebrales.
Los métodos actuales a menudo se basan en la conectividad funcional (FC) a través de la correlación de Pearson, que simplifica los datos BOLD 4D en matrices 2D estáticas, perdiendo la dinámica temporal y las relaciones lineales.

Objetivo del estudio:

Evaluar los modelos temporales de última generación frente a los enfoques tradicionales basados en FC para la clasificación de trastornos cerebrales por fMRI.
Presentar DeCI, un marco novedoso que integra la descomposición de ciclo-deriva y la independencia del canal para un análisis mejorado de fMRI.

Principales métodos:

Evaluación comparativa de modelos avanzados de series temporales (PatchTST, TimesNet, TimeMixer) en señales BOLD crudas en cinco conjuntos de datos públicos de fMRI.
Desarrollo y aplicación del marco DeCI, que presenta la descomposición de ciclo y deriva para cada región de interés (ROI) y modelado de independencia del canal.
Análisis comparativo frente a métodos tradicionales basados en FC y otras líneas de base temporales.

Principales resultados:

Los modelos temporales de última generación superaron consistentemente a los enfoques tradicionales basados en FC en la precisión de la clasificación.
El marco DeCI propuesto demostró una precisión de clasificación y capacidades de generalización superiores en comparación con las líneas de base temporales y de FC.
El modelado directo de la información temporal, incluidas las fluctuaciones oscilatorias y las tendencias de línea de base lentas, resultó crucial para mejorar el rendimiento.

Conclusiones:

El modelado temporal de extremo a extremo de las señales BOLD ofrece un enfoque más efectivo para la clasificación de trastornos cerebrales basada en fMRI que los métodos de FC estáticos.
El marco DeCI proporciona un método robusto y preciso para capturar la dinámica cerebral compleja, avanzando en el campo del análisis de neuroimagen.
Los hallazgos abogan por un cambio de paradigma hacia el modelado temporal en el análisis de fMRI para comprender mejor la función y la disfunción cerebral.