Análisis de la estructura temporal de la dinámica asociada a la red neuronal funcional para ayudar a la caracterización de la enfermedad de Alzheimer

Abstract

La enfermedad de Alzheimer (EA) es una de las principales causas de demencia. Los pacientes con EA sufren alteraciones cognitivas, funcionales y conductuales. El principal factor de riesgo es la edad, lo cual hace que esta enfermedad tenga un impacto cada vez más notable debido al aumento en la esperanza de vida. Sin embargo, su diagnóstico sigue siendo un desafío. A pesar de los avances en técnicas diagnósticas respaldadas por evidencia biológica, su disponibilidad generalizada está limitada por su alto coste. En el contexto del rápido desarrollo tecnológico reciente, el análisis de señales de electroencefalografía (EEG), impulsado por diversos algoritmos de computación, está ganando importancia al proponer enfoques innovadores para caracterizar la enfermedad y ayudar en su diagnóstico. En esta línea, este estudio se enfoca en la aplicación de métodos cronectómicos, que cuantifican las propiedades dinámicas de la conectividad funcional cerebral. El análisis se llevó a cabo utilizando dos bases de datos. La primera de ellas incluyó a 160 participantes, entre los cuales 67 eran pacientes con EA, 50 tenían deterioro cognitivo leve (DCL) y 43 eran individuos sanos desde el punto de vista cognitivo. La segunda base de datos constó de 126 sujetos, de los cuales 50 eran pacientes con EA, 38 padecían DCL y 38 eran individuos de control. El proceso comenzó con la reconstrucción de la actividad neuronal a nivel de fuente utilizando el algoritmo sLORETA (Standardized Low-Resolution Brain Electromagnetic Tomography). Luego, se identificaron meta-estados cerebrales mediante la aplicación del algoritmo IAC (Instantaneous Amplitude Correlation) en las bandas de frecuencia delta, zeta, alfa y beta-1 para obtener tensores de conectividad funcional instantánea en diversos momentos temporales. A partir de estas matrices de conectividad, se generaron diagramas de recurrencia que mostraban la presencia de meta-estados recurrentes en el tiempo. Utilizando el algoritmo de detección de comunidades Louvain-GJA, se obtuvieron tres meta-estados, que posteriormente se ordenaron según su similitud topológica. Los datos se normalizaron utilizando señales subrogadas para descartar que los resultados surgieran de oscilaciones de origen no neuronal. El proceso de subrogación se optimizó utilizando archivos en C/C++ y procesamiento de datos en la unidad de procesamiento gráfico (GPU). Mediante este enfoque, se generaron tensores de correlación instantánea (ICT) y la secuencia de activación temporal (TAS) que cuantifican la semejanza de las topologías observadas con los meta-estados a lo largo del tiempo. Para resumir las propiedades dinámicas de la red neuronal funcional, se calcularon diversas medidas cronectómicas: singularidad del metaestado dominante, área bajo el ICT, diferencia de permanencia, la probabilidad de ocurrencia del meta-estado nulo, percentil 5º, grado de antagonismo, dwell time, leap size y complejidad de TAS. El análisis detallado de los tensores de correlación instantánea reveló diversos cambios asociados con las alteraciones cerebrales que sufren los pacientes con DCL y EA, principalmente en las bandas zeta y alfa. Estas perturbaciones implican cambios en la comunicación entre regiones cerebrales, aparición de oscilaciones más aleatorias y deterioro de la estabilidad y estructura temporal. Además, se detectaron cambios en la persistencia temporal de los meta-estados, que estaban vinculados a la pérdida de estructura y al aumento de la aleatoriedad. Los resultados de las medidas implementadas se utilizaron para clasificar los tres grupos presentes en la base de datos y para diferenciar entre individuos de control y pacientes (combinando pacientes con DCL y EA). Se emplearon algoritmos de selección de características como el filtro rápido basado en la correlación (FCBF), seleción secuencial de características (SFS) y eliminación recursiva de características (RFE). Para elegir el modelo de clasificación, se utilizó una validación cruzada con 10 particiones de la base de datos. Los modelos de clasificación que mejor rendimiento obtuvieron fueron los árboles de decisión y las redes neuronales. Los resultados de clasificación entre los tres alcanzaron valores de kappa de 0.81 para cada base de datos por separado y 0.63 para la combinación de las bases de datos. En el caso de la clasificación entre controles y la agrupación de pacientes con DCL y EA, se obtuvo valores kappa de 1 para la primera base de datos, de 0.7 para la segunda y 0.68 para la combinación de ambas. En su conjunto, los resultados sugieren que las medidas cronectómicas podrían ser herramientas valiosas para ayudar en el diagnóstico y la caracterización de la EA.

Alzheimer’s disease (AD) is one of the main causes of dementia. This condition leads to cognitive, functional, and behavioral changes. The main risk factor is aging, which makes this disease have an increasingly notable impact due to the increase in life expectancy. However, its diagnosis remains a challenge. Despite advances in diagnostic techniques supported by biological evidence, their widespread availability is limited by their high cost. In the context of recent rapid technological development, the analysis of electroencephalography (EEG) signals, driven by various computational algorithms, is gaining importance by proposing innovative approaches to characterize AD. In this line, this study focuses on the application of chronectomic methods, which quantify the dynamic properties of functional connectivity in neuronal associations. The analysis was carried out using two databases. The first one included 160 participants, divided into 67 AD patients, 50 mild cognitive impairment patients, and 43 cognitively healthy individuals. The second database consisted of 126 subjects, among whom 50 were AD patients, 38 had mild cognitive impairment, and 38 were cognitively healthy controls. Initially, the neural activity was reconstructed at source level using the sLORETA (Standardized Low-Resolution Brain Electromagnetic Tomography) algorithm. Then, brain meta-states were identified thanks to the application of the IAC (Instantaneous Amplitude Correlation) algorithm in the frequency bands delta, theta, alpha, and beta-1 to obtain instantaneous functional connectivity tensors at various time points. From these connectivity matrices, recurrence plot diagrams showing the presence of recurrent meta-states in time were generated. Using the Louvain-GJA community detection algorithm, three meta-states were obtained; they were subsequently ordered according to their topological similarity. The data were normalized using surrogated signals to rule out that the results arose from random oscillations. The surrogate process was optimized using C/C++ files and GPU data processing. Using this approach, the instantaneous correlation tensors (ICT) and the temporal activation sequence (TAS) were generated indicating the similarity of the observed topologies to the meta-states over time. To summarize the dynamic properties of the functional neural network, multiple chronectomic measures were calculated: uniqueness of the dominant meta-state, area under the ICT, difference in permanence, probability of occurrence of the null meta-state, 5th percentile, degree of antagonism, dewll time, leap size, and TAS complexity. Detailed analysis of the instantaneous correlation tensors revealed several alterations related to MCI and AD, mainly in the theta and alpha bands. These perturbations involve changes in communication between brain regions, appearance of more random oscillations, and impaired temporal stability and structure. In addition, changes in the temporal persistence of meta-states were detected, which were linked to a loss of structure and an increased randomness. The results of the implemented measures were used to classify the three groups present in the database and to differentiate between controls and patients (combining MCI and AD patients). Feature selection algorithms such as fast correlation-based filter (FCBF), sequential forward selection (SFS), and recursive feature elimination (RFE) were used. To choose the classification model, a cross-validation with 10 partitions of the database was used. The best performing classification models were decision trees and neural networks. The classification results among the three groups obtained kappa values of 0.81 for each database separately and 0.63 for the combination of databases. In the case of classification between controls and the grouping of patients with MCI and AD, kappa values of 1 were obtained for the first database, 0.7 for the second, and 0.68 for the combination of both databases. Taken together, the results suggest that chronectomic measures could be valuable tools to support the diagnosis and characterization of AD.