Técnicas Estadísticas para Neuroimágenes

Este proyecto está relacionado con todos los temas de mi doctorado en Neurociencias y Psicología Clínica, una tesis con un claro enfoque hacia la bioestadística aplicada a la neurociencia. Para este proyecto, estoy interesado en la aplicación de técnicas estadísticas novedosas para el diagnóstico de enfermedades neurodegenerativas (por ejemplo, la enfermedad de Alzheimer). Con este objetivo, analizo datos de neuroimagen obtenidos de la Tomografía de Emisión de Positrones (PET) en pacientes de grupos control y patológicos. Hasta la fecha, la práctica clínica diaria se basa en la aplicación de software como el Mapeo Paramétrico Estadístico (SPM) de Matlab, que realiza el preprocesamiento de datos de PET y un análisis estadístico bastante básico que resulta en una visualización de los voxeles (es decir, en este contexto, voxel = píxel) que se están activando y los que no.

En términos biomédicos, esta imagen o Mapa Paramétrico Estadístico muestra qué áreas del cerebro del paciente están activas - y en qué grado - y cuáles están inactivas o presentan un patrón de activación menor, lo que significa que hay más neuronas muertas en esa región. Usando SPM, podemos observar qué regiones del cerebro tienen valores de activación significativamente más bajos. La información obtenida al comparar la imagen PET de un solo participante con los patrones PET estándar de pacientes saludables (más la experiencia de los médicos que analizan visualmente estas imágenes) es la base para el diagnóstico de Alzheimer en la práctica clínica diaria.

SPM tiene muchas herramientas poderosas, sin embargo, lo que estoy desarrollando actualmente, es la implementación de métodos estadísticos más avanzados (como modelos GAM o metodologías de datos funcionales) que no se ofrecen en SPM sin descuidar el uso de las herramientas de procesamiento de neuroimagen refinadas que contiene. Con esto en mente, he procesado un lote de archivos PET de prueba y luego he procedido a hacer el análisis estadístico trabajando con R - en lugar de SPM o Matlab - centrándome en el desarrollo de modelos GAM y análisis funcional para estimar y entender estos patrones de actividad neural.

El objetivo principal de mi proyecto de investigación es implementar estas técnicas estadísticas para mejorar las imágenes utilizadas para el diagnóstico de Alzheimer, concretamente, el proceso de identificar a un solo paciente como sano o enfermo en la etapa más temprana posible del desarrollo de la enfermedad. Esto no es tan trivial como parece, ya que la literatura científica más reciente muestra que la enfermedad de Alzheimer comienza a desarrollarse incluso veinte años antes de su diagnóstico. Finalmente, cuando llega este diagnóstico, los recursos de plasticidad neural están completamente consumidos y la enfermedad está tan avanzada que los médicos sólo pueden prescribir tratamientos paliativos sin esperanza de la más mínima recuperación. Este problema es aún más preocupante ya que se espera que el número de casos siga creciendo por el orden de los millones debido al aumento de la esperanza de vida en todo el mundo.

Por esta razón, el diagnóstico temprano de tales enfermedades neurodegenerativas se considera uno de los desafíos clave para la ciencia médica en este siglo, y las técnicas de aprendizaje automático seguramente tendrán un impacto importante en cómo abordamos este problema. Por estas razones, también estoy interesado en integrar técnicas de aprendizaje automático en este proyecto de investigación, ya que parece ser un campo enorme con mucho potencial.