Reconstrucción Condicionada de Grafos de la Conectividad de la Red Funcional Cerebral Revela Ejes Latentes...

Área de la Ciencia:

• Neurociencia
• Inteligencia Artificial
• Ciencia de Redes

Sus antecedentes:

• Comprender la conectividad funcional del cerebro es crucial para vincular las propiedades de la red cerebral con las evaluaciones clínicas.
• Los modelos existentes a menudo luchan por capturar patrones específicos de variables en la conectividad cerebral.

Objetivo del estudio:

• Presentar un marco generativo para modelar la conectividad funcional del cerebro humano.
• Codificar y reconstruir características de conectividad funcional de red estática (sFNC) conservando métricas de red y diferencias asociadas con variables demográficas y cognitivas.

Principales métodos:

• Se empleó un autoencoder variacional de grafos condicional (c-GVAE) para codificar características de sFNC en una representación latente.
• Se utilizó la representación latente para reconstruir datos de sFNC condicionados a variables (por ejemplo, sexo biológico, inteligencia fluida).
• Se identificaron características de conectividad discriminatorias asociadas con variables de condicionamiento en el espacio latente.

Principales resultados:

• Demostró reconstrucciones de alta fidelidad de datos de sFNC que conservan patrones de red específicos de la condición en más de 20.000 sujetos del Biobanco del Reino Unido.
• Mostró que el espacio latente captura patrones interpretables asociados con variables demográficas y cognitivas.
• Destacó las diferencias grupales en el espacio latente mediante sondeos y mapeo hacia adelante a patrones de conectividad.

Conclusiones:

• El marco propuesto ofrece un enfoque escalable e informado por la red para estudiar la conectividad funcional del cerebro y las diferencias individuales.
• Este método puede caracterizar potencialmente firmas funcionales para condiciones de salud mental al vincularlas con variables de evaluación observadas clínicamente.