Técnicas Estatísticas para Neuroimaxes

Este proxecto está relacionado con todos os temas do meu doutoramento en Neurociencias e Psicoloxía Clínica, unha tese cun claro enfoque cara a bioestatística aplicada á neurociencia. Para este proxecto, estou interesado na aplicación de técnicas estatísticas novidosas para o diagnóstico de enfermidades neurodexenerativas (por exemplo, a enfermidade de Alzheimer). Con este obxectivo, analizo datos de neuroimaxe obtidos da Tomografía de Emisión de Positróns (PET) en pacientes de grupos control e patolóxicos. Ata a data, a práctica clínica diaria basease na aplicación de software como o Mapeo Paramétrico Estatístico (SPM) de Matlab, que realiza o preprocesamento de datos de PET e unha análise estatística bastante básica que resulta nunha visualización dos voxeles (isto é, neste contexto, voxel = pixel) que se están activando e os que non.

En termos biomédicos, esta imaxe ou Mapa Paramétrico Estatístico mostra que áreas do cerebro do paciente están activas - e en que grao - e cales están inactivas ou presentan un patrón de activación menor, o que significa que hai máis neuronas mortas nesa rexión. Usando SPM, podemos observar que rexións do cerebro teñen valores de activación significativamente máis baixos. A información obtida ao comparar a imaxe PET dun só participante cos patróns PET estándar de pacientes saudables (máis a experiencia dos médicos que analizan visualmente estas imaxes) é a base para o diagnóstico de Alzheimer na práctica clínica diaria.

SPM ten moitas ferramentas poderosas, porén, o que estou a desenvolver actualmente, é a implementación de métodos estatísticos máis avanzados (como modelos GAM ou metodoloxías de datos funcionais) que non se ofrecen en SPM sen descuidar o uso das ferramentas de procesamento de neuroimaxe refinadas que contén. Con isto en mente, procesei un lote de arquivos PET de proba e logo procedín a facer a análise estatística traballando con R - en lugar de SPM ou Matlab - centrado no desenvolvemento de modelos GAM e análise funcional para estimar e entender estes patróns de actividade neural.

O obxectivo principal do meu proxecto de investigación é implementar estas técnicas estatísticas para mellorar as imaxes utilizadas para o diagnóstico de Alzheimer, concretamente, o proceso de identificar a un só paciente como saudable ou enfermo na etapa máis temperá posible do desenvolvemento da enfermidade. Isto non é tan trivial como parece, xa que a literatura científica máis recente mostra que a enfermidade de Alzheimer comeza a desenvolverse incluso vinte anos antes do seu diagnóstico. Finalmente, cando chega este diagnóstico, os recursos de plasticidade neural están completamente consumidos e a enfermidade está tan avanzada que os médicos só poden prescribir tratamentos paliativos sen esperanza de a máis mínima recuperación. Este problema é aínda máis preocupante xa que se espera que o número de casos siga a crecer pola orde dos millóns debido ao aumento da esperanza de vida en todo o mundo.

Por esta razón, o diagnóstico precoz de tales enfermidades neurodexenerativas considérase como un dos desafíos clave para a ciencia médica neste século, e as técnicas de aprendizaxe automática seguro que terán un impacto importante en como abordamos este problema. Por estas razóns, tamén estou interesado en integrar técnicas de aprendizaxe automática neste proxecto de investigación, xa que parece ser un campo enorme con moito potencial.