Antecedentes de los estudios EEG-fMRI

La idea de la integración EEG-fMRI fue motivada clínicamente y su desarrollo impulsado por el deseo de los epileptólogos de localizar fuentes eléctricas de descargas epilépticas. En noviembre de 1992, John Ives, Steve Warach y Franz Schmitt realizaron la primera grabación de EEG desde el interior de un imán de 1.5 T de Siemens en el Hospital Beth Israel en Boston. En 1993 se publicó un artículo técnico sobre el logro seguido de dos artículos clínicos que demuestran las primeras descargas de epilepsia que se correlacionan con la señal BOLD. ^{(11), (12),(13)}

Los ingenieros, que generalmente habían estado trabajando en contacto cercano con los médicos, hicieron que las cosas ocurrieran realmente. ^{(11),(14),(15} Particularmente impulsados por trabajar en un entorno clínico, los ingenieros desde el principio no solo se enfrentaban al aspecto técnico de las cosas (campo magnético, radiofrecuencia, calidad de imagen, calidad EEG), sino que también estaban muy preocupados por la seguridad del paciente. ^(11),(16

A primera vista, el uso de EEG-fMRI puede parecer un enfoque indirecto a una pregunta clínica en la que la localización de fuentes eléctricas de EEG de alta densidad debería proporcionar una solución más directa.¹⁷ Al localizar fuentes en estructuras cerebrales más profundas, la precisión de la resonancia magnética funcional para localizar con confianza la topografía espacial de los procesos neuronales era y aún se considera superior al EEG del cuero cabelludo. ^11),(18

El gran potencial de EEG-fMRI visto por los investigadores de epilepsia lideró hitos metodológicos que incluyen ambos: hardware de adquisición y algoritmos de reducción de artefactos. ^{(11),(14), (19)} Eso fue antes de que la aplicación de EEG-fMRI se extendiera a la función fisiológica del cerebro humano, predominantemente al estudio de potenciales relacionados con eventos y oscilaciones. ^{20),(21),(22),(23}

Una cuestión clave para las señales de EEG de alta calidad después de la reducción de artefactos mediante la sustracción de una plantilla del artefacto inducido por IRM fue la sincronización del algoritmo de corrección de artefactos con la adquisición de cortes de MRI que facilita la sustracción de artefactos en línea. ^(14),(24 El primer paso para sincronizar el hardware de EEG con el escáner MR fue realizado por MarkCohen quien patentó la activación de la digitalización de EEG al comienzo de cada adquisición de volumen de MRI. ⁽²⁵

Años más tarde la digitalización del EEG (hardware) se sincronizó continuamente con el reloj del escáner MR, es decir, la adquisición de imágenes y el cambio de gradiente asociado. En el caso ideal, si la digitalización de EEG está totalmente controlada por el reloj MRI, no hay desviación entre la secuencia en ejecución y la digitalización de EEG, lo que hace posible la creación de una plantilla precisa del artefacto de gradiente que proporciona una buena calidad de EEG después de su resta.

EEG-fMRI en estudios cognitivos

A pesar del nivel técnico que ha alcanzado el método EEG-fMRI, cada modalidad sigue imponiendo limitaciones sobre la otra, es decir, no se puede ejecutar ningún paradigma EEG con fMRI o dentro de un escáner MR, y no todos los paradigmas fMRI son aptos para el análisis EEG. Por lo tanto, siempre se debe considerar la realización de sesiones separadas de EEG y fMRI. Los estudios se beneficiarán más de las grabaciones simultáneas de EEG-fMRI, si la estimulación, el rendimiento y la experiencia subjetiva de los sujetos deben ser idénticos o se deben evitar los efectos del orden. ²⁶⁾

Por ejemplo, Scheeringa examinó los cambios de EEG inducidos por la tarea de la memoria de trabajo y los relacionó con las redes cerebrales definidas espacialmente por fMRI correlacionado con EEG. ²⁷ Los estudios pioneros incluyen los de los grupos de Eicheley y Debenerque, desarrollaron métodos que explotan la variabilidad de ensayos individuales (EEG) como predictores de cambios en la señal de fMRI. ^{28), (29} Tomando un enfoque inverso, De Martino y otros sugirieron un método que permite la predicción de respuestas EEG (ensayo único) a partir de datos de fMRI. ⁽³⁰ Además de los estudios basados ​​en diseños relacionados con eventos, las oscilaciones de EEG en curso en un contexto dado pueden servir para examinar los fundamentos de la función cerebral humana como el contexto del procesamiento del habla, la lateralización y el sistema auditivo. ^31),(32

Cuantitativamente, el desarrollo simultáneo de EEG-fMRI ha permitido a los neurocientíficos estudiar la función cerebral a una escala espaciotemporal de grano más fino. Cualitativamente, el EEG-fMRI simultáneo es un gran activo para el campo de la investigación del estado de reposo porque el EEG permite la caracterización del estado no controlado. Otros métodos como los desarrollados por Debener y Eichele facilitan una combinación significativa del EEG con los datos de fMRI, especialmente los diseños relacionados con eventos, a pesar de la resolución temporal mucho más baja de fMRI. ^{28), (29)} Clínicamente, el EEG-fMRI tiene mayor impacto en la epilepsia, donde se pueden localizar descargas epileptiformes impredecibles y detectar redes epilépticas con registros concomitantes de fMRI. En los centros con experiencia, el EEG-fMRI junto con las pruebas de diagnóstico estándar sirven para investigar o generar hipótesis en la evaluación prequirúrgica de pacientes con epilepsia.

En el nivel básico de la ciencia, al agregar información espacial a las oscilaciones de EEG detectables en el cuero cabelludo, en reposo o durante las tareas, el método fomenta la comprensión principal de la organización del cerebro. Fundamentalmente, la relación entre la actividad cerebral, neuronal y hemodinámica (función de transferencia) puede estudiarse en humanos y a gran escala, agregando estudios seminales en animales con registros invasivos de EEG y, a veces, muestreo espacial restringido. ^33),(34 A pesar del progreso mencionado, la relación exacta entre los cambios de señal EEG y BOLD en la superficie aún se desconoce, y la interpretación de los resultados experimentales a veces es controversial, ya que depende mucho del estudio (contexto experimental). ³⁵⁾ Finalmente, EEG y fMRI tienen orígenes fisiológicos diferentes y sus datos relacionados se ven afectados por diferentes tipos de ruido que comprometen cualquier correlación directa o intento de fusión adicional.

Naturalmente, la integración de los datos EEG-fMRI depende de los avances técnicos de cada modalidad de forma aislada, así como del progreso en la comprensión de las señales y su análisis combinado. En el EEG existe una clara tendencia hacia grabaciones de alta densidad, con 128 canales o más, beneficiando la localización de fuentes de problemas. Para llevar esto a una configuración de MRI, es necesario mejorar la facilidad de su uso y un kit compatible con MR para limitar el tiempo de preparación y garantizar la comodidad del paciente.

En The Epilepsy Society (Chalfont St. Peter, Reino Unido) y Queen Square (University College London, Reino Unido) es donde se están definiendo los objetivos futuros. Carmichael y otros han recorrido un largo camino para evaluar la viabilidad y seguridad de la próxima generación de la fusión EEG-fMRI, la combinación de EEG intracraneal (icEEG) con MRI. ⁽³⁶⁾

Esto beneficiará a los pacientes con epilepsia porque, entre otros aspectos, los correlatos fMRI de icEEG revelarán los cambios de actividad remotos al sitio o los sitios de implantación y fomentarán la comprensión de lo que se imagina con EEG-fMRI de superficie. Por supuesto, independientemente de la condición patológica, los fundamentos de la relación entre la actividad BOLD eléctrica y neuronal pueden estudiarse en humanos^{. (37}

Vinculado a esto, con el creciente éxito de la estimulación cerebral terapéutica en neurología clínica, la visión de imágenes de forma segura con RMN de todos los circuitos cerebrales en respuesta a la estimulación in vivo parecen un objetivo fascinante para trabajar. ^{38),(39),(40),(41), (42}

Fusión de datos multimodales EEG-fMRI

La actividad cerebral tiene muchos atributos, entre ellos los eléctricos, metabólicos, hemodinámicos y hormonales. Es lógico suponer que pasar desde los estudios unimodales a los multimodales (híbridos) permitirá a los neurocientíficos entender mejor el funcionamiento y estructura cerebral. La realización de cualquier proceso cognitivo, motor o sensorial depende de actividad cerebral eléctrica y hemodinámica, la cual puede ser medida mediante EEG (EEG Data Analysis) y fMRI respectivamente. Para detectar e interpretar las características relevantes de estas señales, se describe cada proceso por su escala temporal y espacial.

Las fuentes principales de las señales de EEG son las corrientes corticales postsinápticas asociadas con las neuronas piramidales, las cuales están orientadas perpendicularmente a la superficie de la corteza cerebral. La topología del cuero cabelludo (sobre el cual se disponen los electrodos en la adquisición de EEG) no permite especificar unívocamente la localización de la actividad eléctrica subyacente. La técnica fMRI posee una resolución temporal menor al EEG pero puede brindar información espacial complementaria, en este caso se registra indirectamente la actividad neuronal ya que se mide la oxigenación y el flujo sanguíneo. Estos atributos o características generan un cúmulo cada vez mayor de datos e información que por si solos disminuyen el potencial de análisis posible.

En los últimos años, los algoritmos de deep learning se han aplicado con éxito a datos de EEG y fMRI. ^(43),(44 Mientras que los enfoques no supervisados ​​a menudo se utilizan para descomponer conjuntos de datos dados en variables latentes, por ejemplo, para la corrección de artefactos en estudios de EEG o la identificación de redes funcionales a partir de fMRI, los enfoques supervisados ​​han atraído mucho la atención debido a sus capacidades de clasificación. ^45),(46 Un ejemplo de ello es la predicción de un estímulo presentado a partir de su respuesta cerebral de la categoría evocada. ^47),(48 Cuando se aplica a los datos de EEG-fMRI, la mayoría de estos enfoques tienen la ventaja de un esquema de análisis multivariante genuino: se explora el espectro completo de información disponible en conjuntos de datos multimodales. Estos métodos de fusión de datos utilizan un modelo común o simétrico para evaluar conjuntamente la información de ambas modalidades, mientras que los enfoques de integración suelen superponer o sesgar una modalidad con la otra.

Los métodos relevantes para la fusión de datos multimodales difieren mucho en el grado en que se basan en supuestos fisiológicos, requieren información previa o comparten otras similitudes entre ellos. ICA, por ejemplo, es un método de aprendizaje no supervisado que se utiliza para descubrir factores ocultos (componentes independientes) a partir de un conjunto de observaciones, de modo que los componentes identificados sean estadísticamente independientes al máximo (no simplemente no correlacionados). ^(49),(50 Aquí, se supone que los datos observados se originan a partir de una mezcla lineal de estos componentes independientes subyacentes.

Se han propuesto varios marcos para utilizar ICA para la fusión de datos multimodales. Tomando ICA conjunta como ejemplo, las diferentes modalidades de bioseñales se procesan primero por separado, y posteriormente se aplica ICA para examinar las relaciones entre tipos de datos. ^51),(52 Por lo tanto, los mapas estadísticos de fMRI y los datos de EEG de todos los sujetos se fusionan en una sola matriz y se someten a una ICA conjunta. Mientras que en el caso unimodal se revelan componentes independientes temporal (EEG) o espacial (fMRI), este enfoque multimodal proporciona una descomposición espacio-temporal conjunta, con componentes independientes correspondientes a respuestas electrofisiológicamente medidas (que indican el momento de los cambios de señal) junto con los grupos asociados de regiones activas (que indican los orígenes espaciales de los cambios de señal).

Usando esta técnica pudieron examinar la dinámica espacio-temporal de la respuesta auditiva excéntrica. ⁽⁵¹ Las activaciones en la corteza auditiva y el tálamo se asignaron al potencial evocado auditivo N1, mientras que el tronco cerebral, el lóbulo temporal y la actividad frontal medial mostraron un perfil de respuesta correspondiente al P3 ERP.

Otros métodos amplían la cantidad de datos procesados ​​al considerar adicionalmente variaciones a nivel de ensayos individuales, por lo que no se basan en información previa de estadísticas intraindividuales, o extrayendo primero los componentes por separado de cada modalidad, y solo luego examinando el patrón de correlaciones intermodales. ^{(53),(54),(55),(29),(56),(57}

Aunque la mayoría de los algoritmos aplicados aquí tienen una larga historia en informática, su aplicación a problemas neurocientíficos es un desarrollo bastante nuevo. No obstante, estos métodos han demostrado ser de gran utilidad al proporcionar esquemas de análisis no sesgados y multivariados para EEG-fMRI simultáneos. Además, muchos de estos enfoques son, o podrían generalizarse, fácilmente a marcos que incluyen otras modalidades, como imágenes de tensor de difusión o datos genéticos. ^56),(57 Por otro lado, como ya existe una variedad de enfoques matemáticos diferentes para la fusión de datos multimodales, la selección de un modelo de fusión adaptado a una pregunta de investigación específica a veces puede ser difícil de lograr. Además, algunos de los enfoques actuales todavía se basan en modelos canónicos de la respuesta hemodinámica o involucran otras presunciones fisiológicas, por lo que aún no se aprovecha al máximo la potencia total de estos algoritmos.

Cuando se está interesado principalmente en los generadores neurales de los fenómenos EEG del cuero cabelludo, el EEG informado por fMRI es el método de elección. Este enfoque se basa en métodos bien establecidos para la reconstrucción de fuentes de EEG y, por lo tanto, constituye la técnica más directa para evaluar preguntas de investigación relacionadas. Además, posee una alta y bien definida resolución espacio-temporal. Sin embargo, no tiene en cuenta la variabilidad de los eventos neuronales observados en el transcurso de una sesión experimental y, por lo tanto, descuida una fuente de información potencialmente poderosa.

Los análisis basados ​​en fMRI informados por EEG, por otro lado, utilizan este fenómeno exacto y ya han demostrado la capacidad no solo para vincular medidas fisiológicas de diferentes modalidades entre sí, sino también para exponer asociaciones entre fisiología y variaciones en la cognición, percepción, y comportamiento. Sin embargo, la precisión temporal disponible con esta técnica es algo esquiva, ya que podría revelar estructuras neuroanatómicas cuyos patrones de actividad están vinculados linealmente a los de los generadores, aunque su participación podría preceder o suceder al evento EEG bajo investigación. Por lo tanto, la fMRI informada por EEG parece más apropiada para revelar redes funcionales caracterizadas por una relación lineal de patrones de actividad intermodales identificados en el nivel de ensayo único. Los modelos neurogenerativos son particularmente fuertes para probar hipótesis sobre los mecanismos fisiológicos y las propiedades biofísicas que subyacen a la generación de señales de EEG y fMRI, así como su interrelación, lo que hace que estos modelos sean herramientas poderosas en el campo de la neurobiología teórica.