Cómo los científicos del autismo abordan el problema de la replicación de las imágenes cerebrales


Cortesía de Annchen Knodt / Duke University



POR ANGIE VOYLES ASKHAM

Fuente: Autism Parenting Magazine | 30/06/2020

Fotografía: Autism Spectrum



Cuando el último trabajo de investigación de Maxwell Elliott empezó a circular por Twitter el pasado mes de junio, no estaba seguro de cómo se sentía.


Elliott, estudiante de posgrado de psicología clínica en el laboratorio de Ahmad Hariri en la Universidad de Duke, en Durham (Carolina del Norte), estudia las imágenes de resonancia magnética funcional (IRMf) y cómo pueden utilizarse para comprender mejor afecciones neurológicas como la demencia y el autismo.


Estaba entusiasmado porque este aspecto "esencial" del campo, como él lo describe, estaba recibiendo un poco más de atención, pero el motivo del revuelo le decepcionó: Un medio de comunicación había recogido la historia y la había publicado con un titular exagerado: "Investigadores de la Universidad de Duke dicen que todos los estudios sobre la actividad cerebral que has leído están equivocados".


"Parecía que lo habían malinterpretado totalmente", dice Elliott.


Su estudio, publicado en Psychological Science, no descartaba 30 años de investigación sobre la IRMf, como sugería el titular. Sin embargo, pone en duda la fiabilidad de los experimentos que utilizan la IRMf para descubrir las diferencias en la respuesta del cerebro de las personas a un estímulo. Para ciertas actividades, como las tareas de procesamiento de emociones, las diferencias individuales en los patrones de actividad cerebral no se mantienen cuando se escanea a las personas varias veces, con meses de diferencia, según habían demostrado Elliott y sus colegas.


A Elliott le preocupaba la respuesta de los investigadores que utilizan estos patrones para tratar de distinguir entre personas con y sin ciertas condiciones neuropsiquiátricas, incluido el autismo. La información sensacionalista no hizo más que aumentar ese temor.


Muchos de los que trabajan en el campo de las imágenes cerebrales se lanzaron a defender a Elliott y a sus colegas y condenaron la caracterización errónea del medio de comunicación, pero otros no estuvieron de acuerdo con el estudio y con lo que consideraron una generalización excesiva de los límites de la fMRI. En ambos lados, la idea de que la IRMf tiene un problema de fiabilidad tocó una fibra sensible, que resonó a lo largo y ancho de la Twitteresfera.


A pesar de todo el parloteo del año pasado, las preocupaciones sobre la investigación de imágenes cerebrales no son nada nuevo. Los críticos han afirmado anteriormente, de forma equivocada, que la IRMf es tan inútil que puede encontrar señal en un salmón muerto y, de forma más razonable, que incluso la respiración puede distorsionar los resultados del escáner cerebral más allá de su utilidad.


En cualquier caso, muchos investigadores de imágenes cerebrales son optimistas sobre lo que pueden hacer estas herramientas. No descartan los problemas que otros científicos han planteado, pero tienden a considerarlos como dolores de crecimiento en lo que todavía es un campo relativamente nuevo. Algunos problemas, sobre todo los que surgen en la recopilación y el análisis de datos, pueden resolverse; otros pueden ser más endémicos de los propios métodos. Pero ninguno es tan grave como proclaman muchos tuits y titulares.


"No está de más recordar a la gente que hay que tener en cuenta esas limitaciones, por muy avanzado que esté el campo", dice Kevin Pelphrey, profesor de neurología del Instituto del Cerebro de la Universidad de Virginia, en Charlottesville.



Tirando de la cadena


Algunos problemas de los estudios de imagen empiezan ya con la recogida de datos. El conjunto de datos del Intercambio de Datos de Imágenes Cerebrales del Autismo (ABIDE), por ejemplo, se puso en marcha con un número relativamente pequeño de escaneos -de 539 personas autistas y 573 no autistas- en 17 sitios diferentes, y un análisis inicial del conjunto de datos encontró una amplia variabilidad basada en el lugar donde se realizaron los escaneos. Un estudio de 2015 demostró que esta variabilidad podía incluso dar lugar a resultados falsos.


Desde entonces, los investigadores que dirigen el ABIDE han añadido otros 1.000 escáneres cerebrales y utilizan un total de 19 centros. Según el equipo, el mayor tamaño de la muestra debería mejorar algunos de los problemas de replicabilidad de las exploraciones. También tienen previsto reunirse en grupo para discutir cómo estandarizar la recogida de datos.


Otros problemas surgen cuando los datos de las imágenes llegan a la fase de análisis. En mayo de 2020, apenas unas semanas antes de que Elliott y sus colegas publicaran su estudio, un equipo de la Universidad de Tel Aviv (Israel) publicó un artículo en Nature en el que se mostraba cómo las diferentes líneas de análisis de los datos de fMRI también pueden dar lugar a resultados muy variables.


En ese trabajo, 70 equipos de investigación distintos analizaron el mismo conjunto de datos de RMf sin procesar, cada uno de los cuales puso a prueba las mismas nueve hipótesis, pero como ninguno de los dos equipos utilizó exactamente el mismo flujo de trabajo para analizar los escaneos, todos acabaron informando de diferentes "hallazgos".


Los problemas de flujo de trabajo también afectan a las resonancias magnéticas estructurales, que revelan la anatomía del cerebro en lugar de la actividad. Aunque esta forma de IRM es más fiable que la IRMf de un escaneo a otro, según el estudio de Elliott y sus colegas, una investigación no publicada mostró cómo 42 grupos que intentaban rastrear tractos de materia blanca a través del mismo cerebro rara vez producían los mismos resultados. (Un estudio de 2017 encontró que los grupos podían identificar con éxito el 90 por ciento de los tractos subyacentes, pero no sin producir un gran número de falsos positivos).


Las incoherencias del flujo de trabajo son una de las principales razones por las que los resultados de las imágenes cerebrales han sido difíciles de reproducir, afirma Pelphrey. Cada decisión tomada durante el análisis de un conjunto de imágenes -como dónde establecer un umbral para lo que constituye la actividad cerebral, por ejemplo- se basa en suposiciones que pueden acabar teniendo efectos significativos, afirma.


Exploraciones sesgadas: Las diferencias en los lugares de estudio y los procedimientos de análisis dificultan la reproducción de los resultados de las imágenes. / Cortesía de JohnnyGreig / iStock



Del mismo modo, los diferentes métodos que utilizan los investigadores para trazar la materia blanca pueden alterar el hecho de que dos tractos que discurren cerca el uno del otro se interpreten como si se cruzaran como una "X" o simplemente se "besaran" y luego se doblaran alejándose el uno del otro, dice Ruth Carper, profesora asociada de investigación de psicología en la Universidad Estatal de San Diego (California). Las decisiones sobre cómo definir la frontera entre la materia gris y la blanca en el córtex también pueden sesgar los resultados.


Para hacer frente a este tipo de problemas, la Organización para el Mapeo del Cerebro Humano (OHBM, por sus siglas en inglés) publicó en 2016 unas recomendaciones para el análisis de los datos de RMN y RMNf, y al año siguiente añadió unas directrices para la electroencefalografía y la magnetoencefalografía, que se utilizan de forma similar para recopilar datos de cerebros vivos. La organización está trabajando en una actualización de las recomendaciones.


La idea que subyace a las directrices es ayudar a los investigadores a tomar mejores decisiones a lo largo de su proceso de análisis, afirma John Darrell Van Horn, profesor de psicología y ciencias de la información en la Universidad de Virginia y copresidente del comité de mejores prácticas de la OHBM.


Las directrices también animan a "todo el mundo a ser transparente sobre [los análisis] que han realizado, para que no sea un misterio", dice Van Horn.


Además de mejorar la replicabilidad, una mayor transparencia facilita a los investigadores la tarea de averiguar si una línea de análisis es mejor que otra, dice Tonya White, profesora asociada de psiquiatría infantil y adolescente en la Universidad Erasmus de Rotterdam (Países Bajos), que también trabajó en las directrices de la OHBM.


"Si se presenta un nuevo algoritmo que se dice que es mejor, pero no se compara con el método anterior, ¿cómo se sabe realmente que es mejor?", dice.



Sosteniendo


Para muchos científicos, la única manera de avanzar es mejorar la recogida y el análisis de imágenes. A pesar de las dificultades que conlleva -y de los informes que indican que los investigadores están dejando de lado las imágenes cerebrales-, para ciertas líneas de investigación no hay nada que las sustituya.


"No se puede preguntar sobre el lenguaje en una rata" o sobre los cambios cerebrales a lo largo del tiempo utilizando tejido postmortem, dice Carper.


Muchos de los resultados de las imágenes se mantienen a lo largo del tiempo: Ciertas áreas del cerebro se activan en respuesta a los mismos estímulos en todas las personas; las personas tienen patrones individuales de conectividad; y los escaneos pueden predecir categorías importantes de comportamiento, como la función ejecutiva y las habilidades sociales, dice Pelphrey. Y cuando los resultados son inconsistentes, como en los estudios de fMRI sobre el procesamiento de la recompensa en el autismo, algunos investigadores han comenzado a implementar un algoritmo que ayuda a localizar las regiones del cerebro que se activan consistentemente en respuesta a la tarea.


"Hay muchas cosas que se han reproducido muy bien de un laboratorio a otro y que han permitido restringir las teorías sobre el funcionamiento de la mente, gracias a que se sabe cómo funciona el cerebro", dice Pelphrey. "No creo que nada de eso haya desaparecido, simplemente porque sabemos que tenemos que ser muy cuidadosos con las predicciones que hacemos de un escaneo a otro dentro de un individuo".


A medida que los científicos mejoran en la recopilación y el análisis de datos de imágenes, también pueden mejorar sus interpretaciones de los mismos, basándose en una comprensión más clara de la tecnología que están utilizando, dice Carper. En el caso de la IRMf, por ejemplo, la mayoría de las tareas se desarrollaron para identificar las áreas cerebrales que generalmente responden a un estímulo determinado, no para sondear las diferencias individuales. Y ciertos tipos de estímulos naturalistas pueden producir resultados más fiables, según informan Elliott y sus colegas en una revisión publicada este mes en Trends in Cognitive Sciences.


La nueva revisión esboza otras estrategias para eludir los problemas de fiabilidad de la IRMf que el equipo señaló el año pasado. Las estrategias incluyen la realización de exploraciones más largas para recopilar más datos, el desarrollo de mejores formas de modelar el ruido dentro de una exploración y el aprovechamiento de las nuevas tecnologías que ofrecen un mejor aislamiento de los marcadores de la actividad neuronal.


Elliott recurrió a Twitter para promocionar el nuevo trabajo, dice, pero no está interesado en otra controversia en las redes sociales. Sólo está emocionado por saber qué piensa la gente sobre el trabajo en sí.


"Quiero reflexionar sobre [las ideas] de una forma mejor y más larga que un tuit".

Cite este artículo: https://doi.org/10.53053/JGHN8805


https://www.spectrumnews.org/news/how-autism-scientists-are-tackling-brain-imagings-replication-problem/

31 vistas0 comentarios

Entradas Recientes

Ver todo