Una red neuronal encuentra marcadores de autismo y género en los escáneres cerebrales

Ilustración de James Lambert

POR PETER HESS

Fuente: Spectrum | 24/03/2022

Fotografía: Autism Spectrum

Un método de aprendizaje profundo puede detectar las "huellas" del autismo en un escáner cerebral y predecir las dificultades de comunicación social de una persona

Un método de aprendizaje profundo puede detectar las "huellas" del autismo en un escáner cerebral y predecir las dificultades de comunicación social de una persona, según un nuevo estudio. La herramienta también puede detectar características cerebrales que distinguen los cerebros de los hombres autistas de los de las mujeres autistas, según otro estudio del mismo laboratorio.

Ambos estudios se basan en el Intercambio de Datos de Imágenes Cerebrales del Autismo (ABIDE), un repositorio de acceso abierto de escáneres de 2.226 personas autistas y no autistas. Algunos laboratorios han recurrido a los datos de ABIDE para aumentar el tamaño de la muestra y la potencia estadística de sus estudios de imagen cerebral. Sin embargo, la variabilidad de los datos -debido a las diferencias en el hardware, los protocolos de escaneo y las técnicas de procesamiento de datos en los distintos centros- ha provocado históricamente problemas de reproducibilidad.

Los algoritmos de aprendizaje profundo ayudan a eliminar este ruido, afirma el coinvestigador Kaustubh Supekar, profesor clínico adjunto de psiquiatría y ciencias del comportamiento en la Universidad de Stanford (California). Él y sus colegas entrenaron un algoritmo de este tipo en cientos de escáneres cerebrales de resonancia magnética funcional (fMRI) para identificar las diferencias de grupo y luego validaron los resultados en conjuntos de datos separados.

"Hay ruido conocido y ruido desconocido, y la única manera de lidiar con él es dejar que el algoritmo se encargue del ruido de alguna manera, forma o manera", dice Supekar. "El aprendizaje profundo, por lo que hemos visto en otros dominios, funciona muy bien para manejar este ruido y encontrar firmas robustas". Por ejemplo, el aprendizaje profundo puede ser entrenado para identificar fotografías de gatos y perros, independientemente de la raza del animal o la cámara utilizada, dice.

Para uno de los dos nuevos estudios, Supekar y su equipo entrenaron su algoritmo con escáneres cerebrales de 419 personas autistas y 415 no autistas de ABIDE. El algoritmo distinguió a los participantes autistas de los no autistas con un 78% de precisión, basándose en gran medida en las diferencias de conectividad funcional en un conjunto de regiones cerebrales llamado red de modo por defecto.

"Desde un punto de vista biológico, la dinámica de estas regiones cerebrales no procesa la información de la forma en que se supone que lo hace", afirma Supekar. La conectividad atípica en la red de modo por defecto -que tiende a estar activa cuando una persona se concentra en procesos internos e inactiva durante los cognitivos- se ha relacionado anteriormente con el autismo.

Se obtuvieron resultados similares al aplicar el algoritmo a imágenes cerebrales de 151 personas autistas y 141 no autistas escaneadas en la Universidad de Stanford o que participaron en el estudio Gender Exploration of Neurogenetics and Development to Advance Autism Research (GENDAAR). El trabajo apareció en febrero en Biological Psychiatry.

Los investigadores hallaron que el grado de diferencias de conectividad en la red de modos por defecto también predijo los niveles de dificultades de comunicación social entre los participantes autistas, medidos por un cuestionario clínico llamado Entrevista de Diagnóstico del Autismo.

"Es sorprendente que las características que tuvieron más éxito en la discriminación de los déficits sociales y comunicativos fueran regiones centrales de la red por defecto del cerebro, una red estrechamente vinculada a la función del lenguaje", dice Jeffrey Anderson, profesor asistente de radiología en la Universidad de Utah en Salt Lake City, que no participó en el trabajo.

El hecho de que estos rasgos sean informativos de forma fiable en diferentes grupos de participantes "refuerza que los déficits sociales y comunicativos del autismo probablemente surjan de la integración de la información a través de complejas redes distribuidas en el cerebro y del acceso al mecanismo del cerebro para crear representaciones internas del lenguaje", afirma.

En el otro estudio, el equipo de Supekar entrenó el algoritmo con exploraciones cerebrales de conectividad funcional de 552 hombres y 126 mujeres autistas de los conjuntos de datos ABIDE y Stanford. En este caso, las diferencias en la conectividad de las regiones sensoriales y motoras permitieron a los investigadores distinguir entre los dos grupos con una precisión del 86 por ciento. El equipo validó este resultado con una precisión similar en otro conjunto de escáneres cerebrales de la Red de Cerebros Saludables del Child Mind Institute.

Sin embargo, cuando se trató de distinguir a los hombres no autistas de las mujeres no autistas en los conjuntos de datos de ABIDE y Stanford, el mismo algoritmo sólo tuvo una precisión del 67%. El trabajo se publicó en febrero en la revista British Journal of Psychiatry.

Los vínculos entre las redes sensoriales y motoras tienden a ser más débiles en los cerebros de las personas con autismo que en las que no lo padecen, según han demostrado investigaciones anteriores. El nuevo estudio sugiere que también hay diferencias específicas de género en estas redes.

Las regiones en las que se centró el estudio -redes lingüísticas, motoras y visoespaciales- están especializadas de forma diferente en los dos hemisferios cerebrales, dice Dorothea Floris, becaria postdoctoral de la Universidad de Zúrich (Suiza), que no participó en el trabajo. "Así que sería interesante hacer un seguimiento de estos hallazgos para ver si la especialización hemisférica podría ser uno de los rasgos diferenciadores entre hombres y mujeres autistas".

La replicación del equipo en diferentes conjuntos de datos, incluidos los recopilados por otros equipos, refuerza la validez de los resultados y "realmente te ayuda a sentirte más seguro", afirma Allison Jack, profesora adjunta de psicología en la Universidad George Mason de Fairfax (Virginia). Jack no trabajó en ninguno de los dos estudios, pero es coinvestigadora de GENDAAR. Y los resultados relacionados con el género apoyan las investigaciones anteriores de su equipo que implican a la corteza motora en las diferencias específicas de género en el autismo.

"Cuando veo que las regiones salen a la luz a través de múltiples investigadores que están operando de forma independiente en múltiples sitios o múltiples cohortes, me siento más convencido", dice Jack.

Cite este artículo: https://doi.org/10.53053/CNXK2208

https://www.spectrumnews.org/news/neural-network-finds-markers-of-autism-gender-in-brain-scans/?utm_source=Spectrum+Newsletters&utm_campaign=423d389266-EMAIL_CAMPAIGN_2022_03_23_06_00&utm_medium=email&utm_term=0_529db1161f-423d389266-169086874