Em formação

Quais tecnologias de commodities oferecem dados úteis de neuroimagem?

Quais tecnologias de commodities oferecem dados úteis de neuroimagem?

Existem tecnologias de commodities que ofereçam dados úteis de neuroimagem? Por commodity, quero dizer custo mais baixo e não exigir técnicos especializados para funcionar. Por útil quero dizer capaz de fornecer algum sinal confiável em momentos diferentes do mesmo sujeito, mesmo que seja de natureza limitada. Em caso afirmativo, quais são os recursos da tecnologia?

Por exemplo, as máquinas de EEG baratas fornecem dados úteis ou não?

É provável que essas tecnologias se tornem disponíveis em um futuro previsível?


A pergunta é um pouco vaga, mas aqui está uma resposta parcial.

Existem vários sistemas de EEG disponíveis que são de baixo custo. Os exemplos incluem o Sistema EPOC da Emotiv e o projeto OpenBCI. O primeiro está disponível em vários modelos há alguns anos e foi estabelecido que ele registra sinais de EEG reais, em vez de apenas registrar sinais gerados nos músculos e outros artefatos.

O primeiro grande documento de validação é de Ekanayake como um white paper, que foi atualizado (aqui). Pelo que entendi, não foram revisados ​​por pares, nem foram apresentados em uma conferência. Mas o trabalho é muito bom.

Para a coleta de dados de ERP (Potenciais evocados), há dois artigos substanciais revisados ​​por pares por um grupo de pesquisa: Validação do sistema Emotiv EPOC EEG para a qualidade da pesquisa de potenciais relacionados a eventos auditivos em crianças por Badcock et al. (2015) e Validação do sistema de jogos Emotiv EPOC EEG para medição de ERPs auditivos de qualidade em pesquisas, também por Badcock et al. (2013). Embora esses artigos sejam sobre experimentos de ERP, seus resultados sugerem que outros estilos de coleção, como coleção contínua, provavelmente também funcionarão.

Além disso, Liu et al. (2102), Implementation of SSVEP Based BCI with Emotiv EPOC, é sugestivo, mas parece ser um documento de conferência não revisado. Como um contraponto para isso, existe o Performance of the Emotiv Epoc headset para aplicações baseadas no P300, de Duvinage et al. (2013). Pesquisar esses tópicos no Google Scholar mostra uma tendência de que artigos mais recentes são geralmente mais positivos, mas não tenho tempo para trabalhar as estatísticas para mostrar que isso é mais do que minha opinião rápida.

Como um aparte, nosso laboratório tem usado o sistema Emotiv por aproximadamente um ano e meio, coletando dados por aproximadamente 6 meses ou mais, e para coleta contínua de EEG (não ERP) estamos replicando os fenômenos EEG esperados. Esperançosamente, seremos adicionados à literatura revisada por pares acima em breve.


AMA Journal of Ethics

Diagnóstico psiquiátrico e imagens cerebrais

A revolução biológica na psiquiatria, que começou na década de 1960, transformou tão profundamente o campo que a frase “psiquiatria biológica” agora parece redundante. Existe uma vasta literatura sobre os correlatos biológicos de doenças psiquiátricas, incluindo milhares de estudos de pesquisa publicados usando métodos de neuroimagem funcional, como SPECT, PET e fMRI. Além disso, a maior parte do tratamento psiquiátrico é biológico, pois afeta diretamente o cérebro por meio de medicação, estimulação ou cirurgia. Mesmo as “terapias de fala” são agora entendidas como alterando o cérebro de maneiras que foram visualizadas por neuroimagem [1].

Diagnoses na psiquiatria, entretanto, são baseados inteiramente em critérios comportamentais, não biológicos [2]. A depressão é diagnosticada perguntando aos pacientes como eles se sentem e se seu sono, alimentação e outros comportamentos mudaram. O transtorno de déficit de atenção e hiperatividade (TDAH) é diagnosticado perguntando ao paciente, membros da família e outras pessoas sobre a tendência do paciente de se distrair, agir impulsivamente e assim por diante. Para essas e todas as outras doenças psiquiátricas descritas pelo Manual Diagnóstico e Estatístico da American Psychiatric Association, os resultados de imagens do cérebro não aparecem entre os critérios de diagnóstico. Além de seu uso para descartar possíveis causas físicas da condição de um paciente, por exemplo, um tumor cerebral, a neuroimagem não é usada no processo de diagnóstico psiquiátrico.

Neste artigo, revisamos o estado atual das imagens cerebrais para o diagnóstico psiquiátrico. Entre as questões a serem abordadas estão: por que a neuroimagem diagnóstica ainda não encontrou lugar na prática psiquiátrica? Quais são suas perspectivas de curto e longo prazo? Que obstáculos bloqueiam o uso de tais métodos? As respostas a essas perguntas envolvem a natureza dos estudos de imagem e do diagnóstico psiquiátrico.

Sensibilidade, especificidade e padronização em imagens psiquiátricas do cérebro. A grande maioria dos estudos de neuroimagem psiquiátrica agrega dados de grupos de indivíduos para análise, enquanto o diagnóstico deve ser feito para indivíduos, não grupos. Estudos estruturais e funcionais revelam um alto grau de variabilidade dentro de grupos de indivíduos saudáveis ​​e doentes, frequentemente com considerável sobreposição entre as distribuições dos dois grupos [3]. Na linguagem dos testes de diagnóstico, os estudos de imagem geralmente não são altamente confidencial à diferença entre doença e saúde.

Outra limitação atual diz respeito ao especificidade de candidatos a marcadores de diagnóstico de imagem. A maioria dos estudos de imagem psiquiátrica envolve indivíduos de apenas duas categorias - pacientes de uma única categoria de diagnóstico e pessoas sem qualquer diagnóstico psiquiátrico. O máximo que pode ser aprendido com esse estudo é como a ativação do cérebro em pessoas com um determinado transtorno difere da ativação do cérebro em pessoas sem transtorno. O dilema enfrentado por um clínico que faz o diagnóstico, por outro lado, raramente é "Esta pessoa tem transtorno X ou ela é saudável?" Em vez disso, é normalmente "Esta pessoa tem distúrbio X, Y ou Z?" O padrão que distingue pessoas com transtorno X de pessoas saudáveis ​​pode não ser exclusivo de X, mas compartilhado com todo um alfabeto de outros transtornos.

Na verdade, existe uma semelhança considerável nas anormalidades observadas na ativação do cérebro em diferentes diagnósticos. Uma meta-análise de estudos de neuroimagem de transtornos de ansiedade relatou áreas comuns de ativação (amígdala, ínsula) em transtorno de estresse pós-traumático, fobia social e fobia específica - sugerindo que a neuroimagem ainda não revelou padrões de atividade neural exclusivos de transtornos de ansiedade específicos [4]. Anormalidades de ativação da amígdala também foram relatadas consistentemente em estudos de neuroimagem de depressão [5], transtorno bipolar [6], esquizofrenia (um transtorno primariamente do pensamento em vez de humor) [7] e psicopatia (que compartilha características com a DSM diagnóstico de transtorno de personalidade anti-social) [8].

Métodos mais sofisticados de análise de imagem podem ser promissores para discernir as diferenças subjacentes entre os muitos distúrbios que apresentam anormalidades regionais semelhantes, incluindo os “suspeitos usuais”, hiperatividade límbica e hipoatividade pré-frontal. Além disso, novas abordagens estatísticas multivariadas para análise de imagens tornam possível descobrir padrões espaciais e temporais que correspondem ao desempenho de tarefas específicas e diagnósticos específicos [9]. Esses métodos apenas começaram a ser aplicados a distúrbios clínicos, mas mostram-se promissores para aumentar a especificidade dos marcadores de imagem cerebral para doenças psiquiátricas [10, 11].

estandardização é relevante à luz das muitas maneiras em que os protocolos diferem de estudo para estudo, particularmente entre estudos de imagens funcionais. Os padrões de ativação obtidos em estudos de pacientes psiquiátricos dependem fortemente das tarefas realizadas pelos sujeitos e das comparações estatísticas examinadas pelos pesquisadores posteriormente. Embora os resultados da pesquisa de imagens psiquiátricas sejam frequentemente resumidos afirmando que certas regiões estão sub ou superativas ou mais ou menos funcionalmente conectadas, tais resumos são fundamentalmente incompletos, a menos que incluam informações sobre qual tarefa evocou a ativação em questão: os pacientes estavam descansando, processando estímulos emocionais, tentando não processar estímulos emocionais ou empenhado em cognição difícil? O fato de que as conclusões de qualquer estudo de imagem são relativas às tarefas executadas adiciona ainda mais complexidade ao problema de buscar padrões de ativação consistentemente discriminantes para indivíduos saudáveis ​​e doentes.

Confiabilidade e validade das categorias diagnósticas atuais. Outras razões pelas quais o progresso em direção ao diagnóstico por imagem em psiquiatria tem sido lento derivam da natureza das próprias categorias diagnósticas. As categorias do DSM pretendem ser ambos de confiança e válido. Ou seja, eles devem ser utilizados de maneiras consistentes por qualquer clínico devidamente treinado, de modo que diferentes diagnosticadores cheguem ao mesmo diagnóstico para cada paciente (confiabilidade) e para corresponder às verdadeiras categorias de doenças psiquiátricas encontradas na população, ou seja, , para refletir as semelhanças psicológicas e biológicas subjacentes e as diferenças entre os diferentes transtornos (validade). Boa, ou pelo menos melhorada, confiabilidade foi uma das conquistas de sinal do DSM-III, e foi transportado para DSM-IV. Infelizmente, a validade continua sendo mais difícil de alcançar.

Para ilustrar o quão longe de ser necessariamente válidas estão as nossas categorias diagnósticas atuais, considere os critérios para uma das condições psiquiátricas sérias mais comuns, o transtorno depressivo maior. De acordo com DSM-IV-TR, os pacientes devem relatar humor deprimido ou anedonia e pelo menos quatro dos oito sintomas adicionais. Portanto, é possível que dois pacientes que não compartilham um único sintoma recebam um diagnóstico de transtorno depressivo maior. Existem também semelhanças de sintomas entre as categorias. Por exemplo, impulsividade, labilidade emocional e dificuldade de concentração ocorrem em mais de um transtorno. Na medida em que nossas categorias psiquiátricas não correspondem aos “tipos naturais”, provavelmente não devemos esperar correspondência com a fisiologia do cérebro revelada por imagens. Tomados em conjunto, o fato de que (a) diferentes exemplares de uma categoria não podem compartilhar nenhum sintoma e (b) exemplares de duas categorias diferentes podem compartilhar sintomas comuns levanta questões sobre a validade das categorias diagnósticas atuais.

O presente e o futuro do diagnóstico por imagem cerebral em psiquiatria

Uma minoria desafiadora agora usa imagens do cérebro para diagnóstico psiquiátrico. Apesar dos desafios que acabamos de analisar, um pequeno número de psiquiatras oferece neuroimagem diagnóstica para pacientes em suas clínicas. O método de imagem usado é a tomografia computadorizada por emissão de fóton único (SPECT), que mede o fluxo sanguíneo cerebral regional por meio da detecção de um traçador de emissão gama no sangue. A mais conhecida dessas clínicas são as quatro Clínicas Amen, fundadas pelo psiquiatra e autor de autoajuda Daniel Amen. Outros incluem Clements Clinic, Cerescan, Pathfinder Brain SPECT e Dr. Spect Scan. O uso de imagens cerebrais parece ser um ponto de venda para essas clínicas. Seus sites geralmente apresentam imagens cerebrais com destaque e os nomes das três últimas não deixam dúvidas sobre a ênfase que dão à imagem.

Essas clínicas prometem diagnosticar e tratar uma ampla gama de distúrbios psiquiátricos em crianças e adultos com base na história e no exame do paciente, juntamente com os resultados dos exames SPECT. As Clínicas Amen usam um sistema de diagnóstico que não corresponde às categorias de diagnóstico padrão definidas pela American Psychiatric Association’s Manual Diagnóstico e Estatístico. Por exemplo, ansiedade e depressão são combinadas em uma única categoria superordenada e então divididas em 7 subtipos com nomes como “ansiedade e depressão do lobo temporal” e “ansiedade e depressão excessivamente focadas” [12]. O transtorno de déficit de atenção e hiperatividade também é reconceitualizado como tendo 6 subtipos, com nomes como “DDA límbico” e “DDA em anel de fogo” [13].

O site da Amen Clinics afirma que eles realizaram quase 50.000 varreduras [14], um grande número que, combinado com dados clínicos associados, incluindo resultados, pode fornecer evidências importantes sobre o valor da varredura de SPECT no diagnóstico e a eficácia da abordagem de Amen para tratamento psiquiátrico . Infelizmente, nenhum desses estudos foi relatado. A falta de validação empírica levou muitos a condenar o uso de SPECT diagnóstico como prematuro e não comprovado [15-18].

Por que as pessoas pagam por um teste diagnóstico não comprovado, até mesmo duvidoso? As imagens cerebrais têm um fascínio de alta tecnologia que sugere cuidados médicos avançados. As pessoas podem presumir que os tratamentos disponíveis nessas clínicas, assim como os métodos diagnósticos, são de última geração. Além disso, existe um forte apelo à ideia de que a imagem pode fornecer uma prova visual de que os problemas psicológicos têm uma causa física. A Amen Clinics cita várias maneiras pelas quais os pacientes e suas famílias podem achar essas evidências úteis, incluindo a redução do estigma e da culpa [14]. Obviamente, essas considerações não abordam a questão de saber se o diagnóstico é melhorado pelo uso de varreduras SPECT.

Neuroimagem diagnóstica: perspectivas para o futuro de curto e longo prazo. Poucos acreditam que as imagens cerebrais irão desempenhar um papel no diagnóstico psiquiátrico tão cedo. O próximo DSM-5, esperado em maio de 2013, incluirá referência a uma variedade de biomarcadores para doenças psiquiátricas, incluindo aqueles visíveis por imagens cerebrais, mas seu papel deve ser na validação das próprias categorias, e não nos critérios para diagnosticar um paciente individual [19].

A longo prazo, há motivos para otimismo quanto à contribuição da imagem cerebral para o diagnóstico psiquiátrico. Isso pode acontecer primeiro para o diagnóstico diferencial, particularmente para distinções diagnósticas que são difíceis de fazer com base apenas em observações comportamentais. Em tais casos, padrões potencialmente distintos de ativação cerebral identificados por meio de imagens serão especialmente úteis. Por exemplo, Brotman et al. estudaram os padrões de ativação cerebral evocados na realização de várias tarefas com imagens de rostos e encontraram diferenças entre as respostas neurais de crianças com diagnóstico de desregulação grave do humor e aquelas com TDAH ou transtorno bipolar [20]. Eles e outros [21] sugerem que este achado pode fornecer a base para o desenvolvimento futuro do diagnóstico por imagem.

A imagem diagnóstica em psiquiatria poderia emergir da pesquisa básica em psicopatologia, como no exemplo que acabamos de citar. Alternativamente, a abordagem estatística multivariada relativamente ateórica mencionada anteriormente poderia fornecer as primeiras assinaturas neurais candidatas para transtornos psiquiátricos. Qualquer que seja o método em que as assinaturas neurais candidatas sejam identificadas, serão necessários ensaios de validação em larga escala antes que eles possam entrar no uso clínico de rotina. Este processo promete ser demorado e caro e poderia facilmente preencher o intervalo entre duas ou mais edições do DSM.

Coevolução de métodos de diagnóstico e categorias de diagnóstico. Quer o caminho para o diagnóstico por imagem envolva a tradução de mecanismos recentemente descobertos de fisiopatologia, esmagamento de números por força bruta ou ambos, não podemos presumir que isso preservará a nosologia atual. De fato, dada a sobreposição dos achados de imagem entre as categorias diagnósticas e a heterogeneidade dentro das categorias mencionadas anteriormente, parece provável que a ampla incorporação da imagem aos critérios diagnósticos forçará nossa nosologia a mudar. Se a incompatibilidade entre os marcadores de imagem e as categorias de diagnóstico não for drástica, o DSM as categorias podem mudar gradativamente, por exemplo, por revisões de critérios diagnósticos individuais para distúrbios específicos. No entanto, se a imagem do cérebro revelar um padrão radicalmente diferente de "tipos naturais" e se for comprovado que esses tipos têm utilidade clínica (por exemplo, permitindo melhores decisões de tratamento), a imagem pode levar a uma reconceitualização radical do diagnóstico psiquiátrico e categorias diagnósticas inteiramente novas pode surgir.

Existem, no entanto, argumentos fortes para o conservadorismo. O sistema atual de categorias diagnósticas é valioso em parte simplesmente porque o usamos por muito tempo e, portanto, muito de nosso conhecimento clínico é definido em relação a esse sistema. DSM os diagnósticos mudaram até agora de maneira gradual e fragmentada por meio de várias edições do manual, com a maioria dos transtornos mantendo seus critérios de definição e apenas uma minoria sendo subdividida, fundida, adicionada e eliminada à luz de novas descobertas de pesquisa. De acordo com essa abordagem, a influência futura das imagens cerebrais no diagnóstico psiquiátrico provavelmente será mais evolucionária do que revolucionária.

Uma tentativa de reconciliar a necessidade de consistência com a promessa de classificações mais baseadas em neurobiologia pode ser encontrada nos Critérios de Domínio de Pesquisa (RDoC) para pesquisa em psiquiatria proposta pelo Instituto Nacional de Saúde Mental dos EUA. Esta é “uma estrutura de longo prazo para pesquisa ... [com] classificações baseadas em genômica e neurociência, bem como observação clínica, com o objetivo de melhorar os resultados do tratamento” [22]. O sistema RDoC, ainda em construção no momento da escrita [23], deve ser usado, em paralelo com as categorias do DSM, para pesquisas que podem levar a categorias diagnósticas mais válidas, que também podem ser mais consistentes com o uso de imagem como um teste de diagnóstico.

Conclusões

As imagens cerebrais provavelmente entrarão em uso clínico em outras funções antes de servir como um teste de diagnóstico de laboratório. Por exemplo, a imagem já orientou pesquisadores clínicos no desenvolvimento de novas terapias [24] e na customização da terapia para pacientes individuais [25], ela se mostra promissora como um preditor de vulnerabilidade [26] e resposta ao tratamento [27] e tem até tem sido usado como uma terapia própria [28].

Embora alguns médicos insistem que agora são capazes de usar imagens do cérebro para diagnóstico psiquiátrico, não há atualmente nenhuma evidência confiável que apóie essa visão. Ao contrário, há muitas razões para duvidar que a imagem tenha um papel no diagnóstico psiquiátrico em um futuro próximo. Como argumentado aqui, muitas pesquisas de imagens psiquiátricas ainda precisam ser feitas para atingir a sensibilidade, especificidade e padronização dos protocolos de imagem.

Além disso, a natureza do diagnóstico psiquiátrico atual pode nem mesmo corresponder às categorias de disfunção cerebral que a imagem revela. Finalmente, o valor prático de manter a continuidade nas classificações diagnósticas requer uma abordagem cautelosa e incremental para redesenhar as classificações diagnósticas com base na pesquisa de imagens.


Quais tecnologias de commodities oferecem dados úteis de neuroimagem? - psicologia

Usando dados de fMRI para prever diagnósticos de autismo com vários modelos de aprendizado de máquina e métodos de validação cruzada

Colaboradores: Emily Chen, Andréanne Proulx, Mikkel Schöttner

Este repositório contém contribuições da equipe ABIDE feitas durante The BrainHack School 2020.Este projeto usa dados de fMRI de estado de repouso do conjunto de dados ABIDE para treinar modelos de aprendizado de máquina e está licenciado sob uma licença Creative Commons Zero v1.0 Universal.

Sinta-se à vontade para entrar em contato com qualquer um de nós se tiver dúvidas ou comentários!

Olá! Eu sou um estudante de graduação (entrante) do quarto ano da Universidade McGill, estudando ciência da computação e geografia de saúde urbana, com especialização em ciências cognitivas. Eu sou um assistente de pesquisa com Isabelle Arseneau-Bruneau no Zatorre Lab e tenho aprendido muito sobre pesquisa em neurociência enquanto (espero) emprestando algumas de minhas habilidades técnicas para o trabalho de doutorado de Isabelle explorando o efeito do treinamento musical no FFR.

Ao ingressar na BrainHack School, eu estava ansioso para trabalhar em um projeto na interseção da neurociência e da ciência da computação porque minhas aulas anteriores raramente se concentravam na aplicação dos conceitos abstratos que aprendíamos. Após a conclusão da BrainHack School, tive a oportunidade de aprender e colaborar com talentosos pesquisadores e participantes da neurociência, escrever um script de aprendizado de máquina usando dados de neurociência e python e ganhar prática em esforços de reprodutibilidade e bom gerenciamento de projetos.

Você pode me encontrar no GitHub em emilyemchen e no Twitter em @emilyemchen.

Oi! Eu sou um novo aluno de mestrado em Psicologia na Universidade de Montreal. Minha formação é em neurociência cognitiva e meu objetivo profissional é trabalhar em projetos de pesquisa que visem descobrir novas formas de caracterizar o cérebro em seus estados patológicos. No momento, estou trabalhando com Sébastien Jacquemont e Pierre Bellec, e o foco de nossa pesquisa é investigar o efeito de mutações genéticas em fenótipos cerebrais funcionais e estruturais. Mais precisamente, tenho trabalhado com medidas de conectividade funcional em estado de repouso em populações portadoras com transtornos de desenvolvimento.

Ao ingressar na Brainhack School, eu esperava fortalecer minhas habilidades computacionais e meus conhecimentos nas aplicações de aprendizado de máquina para o campo da neuroimagem. Não apenas comecei a trabalhar em um problema de aprendizado de máquina específico para minha área, mas também aprendi sobre ferramentas úteis como o GitHub. Mais importante, também conheci uma comunidade de pesquisadores brilhantes / conscientes e pude colaborar com outros alunos, mesmo em todo o mundo!

Ei! Sou estudante de mestrado em Neurociência Cognitiva na Universidade de Marburg. Minha formação é em psicologia. Estou especialmente interessado no cérebro social e em como os humanos inferem pensamentos e emoções a partir das ações dos outros. No momento, estou fazendo minha tese de mestrado sobre como as capacidades da Teoria da Mente e a empatia interagem no cérebro usando fMRI. Também estou muito interessado em métodos de pesquisa e como podemos usar estatísticas e técnicas de ciência de dados em dados de neuroimagem.

Ao entrar na Brainhack School, eu esperava obter uma melhor compreensão do aprendizado de máquina e como ele é útil para analisar dados de fMRI. Aprendi muito sobre organização de projetos colaborativos, como fazer plotagens bastante interativas e como escrever scripts Python melhores. A Brainhack School foi realmente uma experiência incrível conhecer muitas pessoas talentosas e motivadas e poder colaborar com elas além do Atlântico!

Você pode me encontrar no GitHub em mschoettner e no Twitter @mikkelschoett.

Esperávamos usar as seguintes ferramentas, tecnologias e bibliotecas para este projeto:

  • Git
  • GitHub
  • Código Visual Studio
  • Docker
  • Jupyter Notebook
  • HPC / Compute Canadá
  • Bibliotecas Python: numpy, pandas, matplotlib, scikit-learn, nilearn, seaborn, pyplot, pyplot
  • venv

O objetivo deste projeto era comparar diferentes modelos de aprendizado de máquina e métodos de validação cruzada e ver como cada um é capaz de prever o autismo a partir de dados de fMRI em estado de repouso. Usamos o banco de dados ABIDE de código aberto pré-processado, que contém dados estruturais, funcionais e fenotípicos de 539 indivíduos com autismo e 573 controles típicos de 20 locais de pesquisa diferentes.

Ao final da Escola BrainHack, pretendíamos ter o seguinte:

  • Arquivo README.md
  • arquivo requirements.txt que descreve os pacotes necessários para executar o script
  • Notebooks Jupyter com código e explicações
  • Repositório GitHub que documenta o fluxo de trabalho do projeto
  • Apresentação mostrando os resultados do projeto

Vários estudos encontraram um perfil de conectividade alterado na rede de modo padrão de indivíduos com Transtorno do Espectro do Autismo, ou ASD (Anderson, 2014). Com base nessas descobertas, os dados de fMRI do estado de repouso foram usados ​​para prever o autismo, treinando um classificador no conjunto de dados ABIDE multi-site (Nielsen et al., 2013). O objetivo científico deste projeto é replicar essas descobertas e estender a literatura, comparando os efeitos de diferentes métodos de validação cruzada em vários algoritmos de classificação.

Nós três unimos forças quando percebemos que compartilhamos muitos objetivos e interesses de aprendizagem semelhantes. Com essas ideias de projetos semelhantes, concluímos que conseguiríamos realizar mais trabalhando juntos, cada um adotando métodos de validação cruzada diferentes para treinar vários modelos de aprendizado de máquina.

Todos nós compartilhamos um interesse comum em tornar nosso projeto o mais reproduzível possível. Esse objetivo envolvia a criação de um fluxo de trabalho transparente e colaborativo que pudesse ser rastreado a qualquer momento por qualquer pessoa. Para atingir esse objetivo, utilizamos os vários recursos que o GitHub tem a oferecer, todos os quais você pode ver em ação em nosso repositório compartilhado aqui.

  • Galhos: costumava trabalhar simultaneamente em nossas próprias partes e, em seguida, enviar as alterações para o branch master
  • Solicitações de pull: criado ao fazer alterações no branch master
  • Problemas: usados ​​para se comunicarem uns com os outros e acompanharem as tarefas
  • Tag: usado para manter as questões organizadas
  • Milestones: usado para manter nossos principais objetivos em mente (apresentação da semana 4 e entrega final)
  • Projetos: usado para rastrear vários aspectos do nosso trabalho

Preparação de dados padronizados e cadernos Jupyter

Os dados são processados ​​de forma padronizada usando um script Python que prepara os dados para os classificadores de aprendizado de máquina. Vários notebooks Jupyter então implementam diferentes modelos e técnicas de validação cruzada que são descritos em detalhes abaixo.

Ferramentas, tecnologias e bibliotecas aprendidas

Muitos deles contribuem para as práticas de ciência aberta!

  • Notebook Jupyter: Escreva o código em um ambiente virtual
  • Código do Visual Studio: Edite arquivos como README.md
  • Bibliotecas Python: numpy, pandas, nilearn, matplotlib, plotly, seaborn, plotly, sklearn (redução de dimensionalidade, divisão do trem de teste, pesquisa em rede, métodos de validação cruzada, avaliação de desempenho)
  • Git: Rastrear alterações de arquivo
  • GitHub: Organizar o fluxo de trabalho e projeto da equipe
  • Aprendizado de máquina: Aplicar conceitos e ferramentas de ML ao campo de neuroimagem
  • venv: Faça o arquivo required.txt para um ambiente virtual reproduzível

Produto 1: Notebooks Jupyter (x3)

Este notebook contém código para executar uma classificação de vetor de suporte linear para prever o autismo a partir de dados de estado de repouso. Ele usa validação cruzada de exclusão de grupo usando site como a variável de grupo. Os resultados fornecem uma boa estimativa de quão estável é o modelo. Enquanto para a maioria dos sites a previsão funciona acima do nível de chance, para alguns, o autismo é previsto apenas no nível de chance ou mesmo abaixo dele.

Validação cruzada K-fold e leave-one-out

Este bloco de notas contém o código para executar a classificação de vetor de suporte linear, k-vizinhos mais próximos, árvore de decisão e algoritmos de floresta aleatórios no conjunto de dados ABIDE. Os modelos são treinados e avaliados usando métodos de validação cruzada k-fold e leave-one out. Obtemos pontuações de precisão que representam a habilidade do modelo em prever os rótulos de dados invisíveis. A validação cruzada omitida fornece previsões mais precisas do que a validação cruzada k-fold. Os valores de precisão variam de 55,8% a 69,2%.

Validação cruzada do grupo k-folds

Este notebook implementa uma variante iterativa de 10 vezes para dividir os dados em grupos não sobrepostos. Em seguida, ele executa quatro algoritmos de classificação nos dados: máquinas de vetores de suporte linear (LinearSVC), k- vizinhos mais próximos (KNeighborsClassifier), árvore de decisão (DecisionTreeClassifier) ​​e floresta aleatória (RandomForestClassifier). O classificador mais preciso, LinearSVC, tem uma pontuação de precisão média para todos os modelos de 63,5%, enquanto o classificador menos preciso, RandomForestClassifier, tem uma pontuação de precisão média para todos os modelos de 52,6%. Esta última porcentagem não está longe das pontuações médias de precisão dos outros dois classificadores. Essas pontuações não são particularmente impressionantes e um dos motivos pode ser os dados nos quais este modelo está sendo treinado. Cada site tinha diferentes processos, métodos e quantidades de dados coletados, portanto, a falta de semelhança poderia sugerir uma generalização menos difundida. O trabalho futuro para otimizar os parâmetros seria o próximo passo lógico.

Tabela 1: Pontuações médias de precisão (porcentagens) da validação cruzada de grupo de 10 vezes por algoritmo classificador

Algoritmo Pontuação Média Pontuação Máxima Pontuação Mínima
LinearSVC 63.5% 72.0% 52.3%
KNeighboursClassifier 55.2% 66.7% 48.7%
DecisionTreeClassifier 54.3% 61.6% 44.9%
RandomForestClassifier 52.6% 60.5% 39.7%

Quais foram os resultados gerais?

  • baixa os dados
  • extrai a série temporal de 64 regiões de interesse definidas pelo atlas cerebral BASC
  • calcula as correlações entre as séries temporais para cada participante
  • usa uma análise de componente principal para redução de dimensionalidade

Para buscar e preparar o conjunto de dados, você pode chamar o script prepare_data.py assim:

./prepare_data.py data_dir output_dir

python prepare_data.py data_dir output_dir

  • data_dir é o diretório onde você deseja salvar os dados ou já salvá-los e
  • output_dir é o diretório onde você deseja armazenar as saídas geradas pelo script.

Os blocos de notas também chamam a função prepare_data do script de preparação.

Este arquivo aumenta a reprodutibilidade, ajudando a garantir que os scripts sejam executados corretamente em qualquer máquina. Para certificar-se de que todos os scripts funcionam corretamente, você pode criar um ambiente virtual usando a biblioteca interna venv do pythons. Para fazer isso, siga estas etapas:

  1. Clone o repo e navegue até a pasta em um shell
  2. Crie um ambiente virtual em uma pasta de sua escolha: python -m venv / caminho / para / pasta
  3. Ative-o (comando bash, veja aqui como ativar em shells diferentes): source / path / to / folder / bin / activate
  4. Instale todos os requisitos necessários do arquivo de requisitos: pip install -r requisitos.txt
  5. Crie o kernel para notebooks jupyter: ipython kernel install --user --name = abide-ml
  6. Abra um bloco de notas jupyter: notebook-jupyter e clique no bloco de notas que deseja executar
  7. Selecione um kernel diferente clicando Kernel - & gt Alterar Kernel - & gt abide-ml
  8. Execute o código!

Produto 4: visualizações de dados (semana 3)

Entregável 5: Apresentação (Semana 4)

Os slides da apresentação podem ser vistos aqui no Canva, que é a plataforma que usamos para criar os slides. Um vídeo de nossa apresentação pode ser visto na página deste projeto. Apresentamos nosso trabalho para a Escola BrainHack em 5 de junho de 2020 usando a integração RISE em um notebook Jupyter, que pode ser encontrado aqui.

Produto 6: Visão geral do projeto e resultados no arquivo README.md

Este arquivo README.md contém o conteúdo que será mostrado na página do projeto do site BrainHack School.

Conclusão e Reconhecimento

Em primeiro lugar, gostaríamos de agradecer ao nosso mentor da clínica de pares das Semanas 3 e 4 e co-organizador da Escola Brainhack, Pierre Bellec. Um agradecimento especial também aos nossos mentores da Semana 2, Désirée Lussier-Lévesque, Alexa Pichet-Binette e Sebastian Urchs.

Obrigado também aos líderes e co-organizadores da BrainHack School 2020, Jean-Baptiste Poline, Tristan Glatard e Benjamin de Leener, bem como aos instrutores e mentores Karim Jerbi, Elizabeth DuPre, Ross Markello, Peer Herholz, Samuel Guay, Valerie Hayot -Sasson, Greg Kiar, Jake Vogel e Agâh Karakuzu.

Graças a todos vocês, esta escola foi uma experiência de aprendizado incrível!

Comparação de modelos preditivos baseados em conectoma funcional para fMRI de estado de repouso (para inspiração do estimador de classificação) https://hal.inria.fr/hal-01824205

Artigos científicos:

Anderson, J. S., Patel, V. B., Preedy, V. R., & amp Martin, C. R. (2014). Hipótese de subconectividade cortical no autismo: evidências da conectividade funcional por ressonância magnética. Comprehensive Guide to Autism, 1457, 1471.

Nielsen, J. A., Zielinski, B. A., Fletcher, P. T., Alexander, A. L., Lange, N., Bigler, E. D.,. & amp Anderson, J. S. (2013). Conectividade funcional multisite Classificação de ressonância magnética de autismo: resultados ABIDE. Frontiers in Human Neuroscience, 7, 599.


Relacionado

Fellows APS eleitos para o SEP

Além disso, um APS Rising Star recebe o prêmio Early Investigator da sociedade. Mais

Faça sua voz ser ouvida sobre a proposta do NIH

O NIH emitiu uma Solicitação de Informações solicitando à comunidade que avaliasse uma série de questões relacionadas à ciência comportamental básica, e o NIH precisa ouvir de cientistas como você que a pesquisa básica em seres humanos não deve ser classificada como ensaios clínicos. Mais

Os projetos do Fundo Cattell incluem explorações de processos sensoriais, memória

Com o apoio do Fundo James McKeen Cattell, quatro pesquisadores estão dedicando licenças sabáticas para o avanço da pesquisa sobre sensoriamento ativo, memória espacial e episódica e desenvolvimento emocional das crianças. Mais


Avanços tecnológicos de neuroimagem para direcionamento em neurocirurgia funcional

Ablações e estimulação cerebral particularmente profunda (DBS) de uma variedade de alvos do SNC são ferramentas terapêuticas estabelecidas para distúrbios do movimento. O direcionamento preciso da estrutura pretendida é crucial para resultados clínicos ideais. No entanto, a maioria dos alvos usados ​​em neurocirurgia funcional são visualizados de forma subótima na ressonância magnética de rotina. Este artigo analisa os avanços recentes da neuroimagem para direcionar os distúrbios do movimento.

Descobertas Recentes

As sequências dedicadas de ressonância magnética podem frequentemente visualizar em algum grau estruturas anatômicas comumente visadas durante a cirurgia de DBS, incluindo intensidades de campo de 1,5-T. Devido aos recentes avanços tecnológicos, as imagens de RM usando intensidades de campo magnético ultra-altas e novos parâmetros de aquisição permitem uma visualização nitidamente melhorada de alvos comuns de distúrbios de movimento. Além disso, novas técnicas de neuroimagem permitiram a análise em nível de grupo de pacientes com DBS e o delineamento de áreas associadas a benefícios clínicos. Essas áreas podem divergir dos núcleos visados ​​convencionalmente e, em vez disso, podem corresponder a tratos de substância branca ou hubs de redes funcionais.

Resumo

Os avanços da neuroimagem permitiram um direcionamento melhorado com base na visualização direta, bem como a otimização e o ajuste de estruturas direcionadas convencionalmente.


Como reduzir as barreiras ao compartilhamento de dados?

O impulso para um modelo de dados mais aberto

Vários exemplos recentes apontam para uma tendência geral de tornar as informações, em particular os dados governamentais ou administrativos, abertos ao público, dentro dos limites das proteções de privacidade. Ano passado, O economista relatou que & # x0201CBarack Obama emitiu um memorando presidencial ordenando aos chefes das agências federais que disponibilizassem o máximo de informações possível [& # x02026] & # x0201D, e que & # x0201CProferecer acesso aos dados cria uma cultura de responsabilidade & # x0201D (& # x0201CThe Open Society, & # x0201D 2010). Os sites do governo dos Estados Unidos 27 e da cidade de Nova York 28 divulgam uma grande quantidade de informações e dados ao público. Os sistemas de transporte público disponibilizam seus dados e os desenvolvedores privados usam esses dados para produzir aplicativos de rastreamento de trânsito. A União Europeia também financia pesquisas sobre esse tema (consulte & # x0201CO relatório Open Data Open Society & # x0201D 29). Mais próximo das preocupações da comunidade de neuroimagem, o parlamento britânico divulgou um relatório sobre a importância & # x0201Cof de revisar os dados subjacentes à pesquisa e como esses dados devem ser gerenciados & # x0201D 30. As escolhas dos pesquisadores individuais, bem como as políticas de toda a instituição, serão influenciadas por essa tendência social para dados mais abertos. A atual expansão muito rápida dos sites de redes sociais é um bom reflexo da rapidez com que as pessoas podem adotar novos hábitos e como a sociedade evolui com essas profundas mutações tecnológicas.

Agências de financiamento e jornais

Tornou-se claro que a redução de custos e a maximização do impacto do financiamento na comunidade também moldarão o desenvolvimento de ferramentas para compartilhar dados, conforme exemplificado pelos requisitos recentes das principais agências de financiamento (NIH, Wellcome Trust, UK Medical Research Council) e, de forma mais geral, seus mudança no compromisso com iniciativas que ajudam a comunidade, em vez de projetos específicos de laboratório. Já em 2003, a & # x0201CFinal NIH Statement on Sharing Research Data & # x0201D 31 afirmou que o & # x0201CNIH espera e apóia a liberação oportuna e o compartilhamento de dados finais de pesquisa de estudos apoiados pelo NIH para uso por outros pesquisadores, & # x0201D e os subsídios do NIH acima de um determinado nível de financiamento também devem & # x0201C para incluir um plano de compartilhamento de dados & # x0201D em suas propostas.

Os periódicos terão um papel fundamental no processo, exigindo que os dados sejam disponibilizados aos revisores ou aos leitores do artigo. The Journal of Cognitive Neuroscience foi um pioneiro neste contexto. Esta iniciativa estabeleceu um repositório de dados de neuroimagem (fMRI Data Center, ou fMRIDC) que foi um sucesso sem precedentes na área, com muitos trabalhos publicados com base em dados reanalisados ​​obtidos do repositório. Seu sucesso foi, no entanto, limitado pela falta de formatos padronizados, descrições de paradigmas e análises, bem como pela disponibilidade limitada de ferramentas para consultar e baixar dados bem formatados. A ideia de que os dados devem ser acessíveis permanece em várias revistas de alto nível, com cada vez mais material suplementar disponibilizado para revisores e para a comunidade [no entanto, consulte The Journal of Neuroscience& # x00027s recente decisão de não aceitar material suplementar (Maunsell, 2010)]. No futuro, pode ser que os dados e as ferramentas computacionais sejam disponibilizados em alguma nova forma de armazenamento de dados para ajudar a rastrear a proveniência dos dados (por exemplo, consulte a Carta 32 do Grupo de Trabalho de Intercâmbio de Proveniência) e permitir a reprodutibilidade, não obstante a técnica associada dificuldades e custos. Anais da Academia Nacional de Ciências, por exemplo, agora exigem que os dados sejam disponibilizados aos revisores do manuscrito. Isso novamente aponta para a necessidade de ferramentas de software capazes de capturar e liberar dados em diferentes estágios de sua aquisição e análise.

Aumento de citações e visibilidade com a liberação de dados

Os pesquisadores podem receber mais citações se seus dados forem reutilizados. Em vez de contar o número de publicações, h-indices são cada vez mais usados ​​como uma métrica de produção (Ball, 2007). Existem agora vários exemplos de sucesso dessa reutilização, como ADNI. ADNI rendeu muitas publicações desde seu lançamento. Um requisito específico do acordo de uso ADNI & # x00027s é que o consórcio ADNI seja listado em todas as publicações relacionadas e lista de autores # x00027s.Este é um meio muito poderoso para ganhar visibilidade e ADNI se beneficiou deste & # x02014seu financiamento foi renovado com ADNI2 & # x02014, mas esta política pode não atender aos padrões de autoria de publicação científica (Rohlfing e Poline, 2011), e geralmente os requisitos ADNI são visto como muito exigente pela comunidade 33.

Tornou-se aparente que artigos sobre dados seriam uma ótima maneira de dar crédito aos pesquisadores que compartilham dados. Por ser citado da mesma forma que um pedaço de software ou método é citado, os adquirentes de dados poderiam obter reconhecimento dentro dos métodos de avaliação acadêmica atuais para indivíduos (por exemplo, número de citações com h fator). Além disso, o processo de revisão por pares ajudará a garantir a qualidade dos dados e dos metadados que os acompanham. Isso, no entanto, requer que os periódicos aceitem & # x0201Cdata papers & # x0201D e desenvolvam princípios de como esses documentos devem ser estruturados e revisados. Também é necessário que os autores e editores de periódicos considerem a aquisição e compartilhamento de dados como um aspecto importante da pesquisa, a par do desenvolvimento de software ou métodos. Recentemente, ambos Neuroinformática (Kennedy et al., 2011) e BioMedCentral (Hrynaszkiewicz, 2010) anunciaram sua intenção de publicar tais artigos. O Datacite 34 reúne instituições de todo o mundo e fornece-lhes recursos para abordar o & # x0201Cwhy & # x0201D e & # x0201Chow & # x0201D da citação de dados. Trabalhando com essas organizações e participando da publicação de dados, a comunidade de neuroimagem pode ajudar a garantir que o crédito apropriado seja dado pelos dados compartilhados.

Fornece diretrizes para ajudar os pesquisadores com os aspectos éticos e jurídicos do compartilhamento de dados

Há uma necessidade de diretrizes localizadas (específicas para o país ou órgão fundador) sobre como preparar solicitações de ética e tornar os dados anônimos para compartilhá-los livremente ou da maneira mais livre possível. Recomenda-se que os protocolos de pesquisa e os documentos de consentimento informado submetidos ao ERB / ​​IRBs considerem uma possível reutilização dos dados: inclua a disposição nos formulários de consentimento que, embora os dados do sujeito e # x00027s certamente sejam usados ​​para estudar a questão de pesquisa específica delineada no formulário , dados limitados também podem ser compartilhados (anonimamente) com outros pesquisadores, para diferentes propósitos e os sujeitos não devem participar se não se sentirem confortáveis ​​com tal compartilhamento. Uma pesquisa recente com o público em geral do Reino Unido descobriu que, embora a maioria dos entrevistados esteja disposta a participar de estudos de neuroimagem para fins de pesquisa científica ou médica, apenas um pequeno número estaria disposto a se submeter a exames para outros fins, como pesquisa de publicidade ou cobertura de seguro (Wardlaw et al., 2011).

Illes e colegas (Illes et al., 2010) observaram que muitos pesquisadores sentem desconfiança e confusão ao lidar com IRBs, apesar de sua & # x0201 missão original & # x02026 de garantir a conduta ética da neuro-pesquisa, pode estar agindo como uma barreira para ciência devido a atrasos de tempo, falta de experiência na avaliação de protocolo por esses comitês e diretrizes inconsistentes na preparação da documentação pretendida pelo participante & # x0201D (Kehagia et al., 2011). Nesses casos, alguns pesquisadores individuais não podem reformar sozinhos a abordagem usada por suas agências de financiamento ERB / ​​IRB locais, instituições e a comunidade científica mais ampla precisam trabalhar juntos para fornecer melhores informações e até mesmo materiais de divulgação. Kehalia e colegas observaram que os pesquisadores gostariam de & # x0201Co desenvolvimento e disseminação de melhores práticas e revisão de ética padronizada para protocolos de neuroimagem minimamente invasivos. & # X0201D INCF planeja reunir e disponibilizar esse material.

A condição sob a qual os dados podem ser licenciados varia entre os países e geralmente depende de como os dados foram adquiridos (Uhlir e Schr & # x000F6der, 2007). Creative Commons fez um trabalho notável na promoção de licenças que são compatíveis com o movimento mais amplo de dados abertos e que não afetam de forma alguma os direitos de privacidade de um sujeito & # x00027s alguns exemplos incluem todo o conteúdo da Biblioteca Pública de Ciência (PLoS) publicado sob uma Atribuição Creative Commons licença, e o modelo de cérebro amplamente usado MNI & # x00027s ICBM-152 é compatível com esta licença. Observe que o próprio Creative Commons tem apenas uma licença orientada a dados, CCZero, que é uma dedicação ao domínio público, enquanto as outras licenças são destinadas a trabalhos artísticos. Para ler mais sobre licenciamento de dados abertos, consulte Open Definition 35 e Open Data Commons 36, bem como Stodden (Stodden, 2009) para uma revisão das questões de copyright e licenciamento em um contexto científico.

Há também uma interação importante entre os aspectos técnicos e éticos do compartilhamento de dados & # x02014 o que constitui um conjunto de dados que é seguro para compartilhar? O grau de anonimato necessário (remoção de todos os metadados? Apenas o nome e a data de nascimento do sujeito? Desfigurando as varreduras volumétricas?) Pode variar dentro do país, região e instituição. A mesma preocupação se aplica à maneira como os participantes serão informados sobre como seus dados podem ser usados ​​no futuro. Fornecer diretrizes claras e modelos de documentos prontos para usar irá encorajar e maximizar o compartilhamento de dados. Essas diretrizes e documentos podem ser marcados em relação às suas características de compartilhamento de dados (& # x0201Muito aberto & # x0201D a & # x0201Muito restrito & # x0201D).

A necessidade de compartilhar as ferramentas: a abordagem neurodebiana

Mesmo depois que os problemas jurídicos e técnicos de captura e compartilhamento de dados forem resolvidos, há outros obstáculos a serem resolvidos para tornar a análise colaborativa de dados eficiente. Normalmente, os pipelines de análise para estudos de neuroimagem variam significativamente entre os laboratórios. Eles usam diferentes formatos de dados, preferem diferentes esquemas de pré-processamento, requerem diferentes kits de ferramentas de análise e favorecem diferentes técnicas de visualização. A colaboração eficiente em, por exemplo, um estudo multicêntrico requer uma plataforma de software que pode lidar com essa heterogeneidade, permite a implantação uniforme de todas as ferramentas de pesquisa necessárias e, no entanto, permanece fácil de manter. No entanto, as diferenças de compatibilidade entre os fornecedores de software e os procedimentos tediosos de instalação e atualização costumam prejudicar a eficiência.

Transformar o compartilhamento de dados em colaboração eficiente requer o compartilhamento de ferramentas (Ince et al., 2012). Idealmente, a pesquisa de neuroimagem seria baseada em uma plataforma de computação que pode ser facilmente compartilhada como um todo. Por um lado, isso reduziria significativamente a barreira para explorar novas ferramentas e reutilizar fluxos de trabalho de análise existentes desenvolvidos por outros grupos. Por outro lado, tornaria o compartilhamento de software mais fácil para os respectivos desenvolvedores, pois a consolidação em uma plataforma padrão reduz a demanda de manutenção e suporte. Hoje, o projeto NeuroDebian 37 é o esforço mais abrangente destinado a criar uma plataforma de computação comum para pesquisa de neuroimagem e fornecer todo o software necessário, desde a captura de dados até a análise. A estratégia do NeuroDebian & # x00027s é integrar todo o software relevante no sistema operacional Debian GNU / Linux, que oferece algumas vantagens únicas no contexto da pesquisa de neuroimagem: ele roda virtualmente em qualquer plataforma de hardware (incluindo dispositivos móveis), oferece o arquivo mais abrangente de software prontamente utilizável e integrado, é desenvolvido como um esforço colaborativo por especialistas em seus respectivos campos e é gratuito para ser usado, modificado e redistribuído para qualquer propósito. A integração com o Debian permite a implantação de qualquer software por meio de uma interface uniforme e conveniente, promove a interoperabilidade do software por meio de uma política comprovada e facilita a manutenção do software por meio de esforços de garantia de qualidade (automatizados) cobrindo todo o software integrado. Por meio da virtualização de hardware, as vantagens dessa plataforma também beneficiam muitos usuários de sistemas comerciais, como Windows e Mac OS X (Hanke e Halchenko, 2011). Por exemplo, um dispositivo virtual NeuroDebian com uma plataforma de gerenciamento de dados de neuroimagem XNAT 38 pré-configurada permite que os usuários em qualquer sistema comecem a usar o XNAT em minutos.

O papel da coordenação internacional

O INCF 39 foi estabelecido através do Global Science Forum da OCDE para desenvolver uma infraestrutura internacional de neuroinformática, que promove o compartilhamento de dados e recursos de computação para a comunidade internacional de pesquisa. Um objetivo maior do INCF é ajudar a desenvolver aplicativos escaláveis, portáteis e extensíveis que podem ser usados ​​por laboratórios de neurociência em todo o mundo. A Força-Tarefa INCF sobre Compartilhamento de Dados de Neuroimagem (parte de um programa científico mais amplo sobre compartilhamento de dados em pesquisa em neurociência 40) foi formada recentemente para enfrentar os desafios de banco de dados e metadados que impedem o compartilhamento eficaz de dados na comunidade de neuroimagem e para desenvolver padrões para arquivamento e armazenamento , compartilhar e reutilizar dados de neuroimagem. O foco inicial deste grupo são os dados de ressonância magnética. Representantes de vários esforços importantes em todo o mundo estão envolvidos.

Embora a comunidade de neuroimagem reconheça a necessidade de padrões na troca de dados, a definição desses padrões e sua aceitação e uso é uma tarefa difícil que envolve engenharia social e os esforços coordenados de muitos. Quais detalhes são necessários para compartilhar esses dados e resultados, para reproduzir os resultados e para usar os dados para outras investigações? Por meio do feedback da comunidade de neuroimagem por meio de workshops e grupos de discussão informais, a Força-Tarefa descobriu que, embora haja entusiasmo pelo compartilhamento de dados, o pesquisador de neuroimagem médio, especialmente em um pequeno ambiente de laboratório, muitas vezes experimenta várias barreiras técnicas que impedem o compartilhamento eficaz de dados. Essa descoberta foi observada em outras pesquisas de barreiras ao compartilhamento de dados biomédicos (Anderson et al., 2007). Embora alguns grandes grupos de pesquisa tenham feito grandes avanços no estabelecimento de bancos de dados federados e esquemas de metadados, essas soluções muitas vezes ainda envolvem scripts internos e ferramentas de software especializadas, adaptadas ao fluxo de trabalho específico de um laboratório específico. Conforme observado anteriormente, a falta de padrões, recomendações e ferramentas interoperáveis ​​e fáceis de usar impede o grau em que o compartilhamento de dados pode ser adotado de forma mais geral. Na tentativa de melhorar as ferramentas amplamente disponíveis para a comunidade, a Força-Tarefa identificou quatro projetos específicos a serem realizados durante 2011 e 2012:

  1. Criação de uma & # x0201Ferramenta de compartilhamento COne-Click & # x0201D para permitir que os pesquisadores carreguem dados de ressonância magnética (em formato DICOM ou NIFTI) para um banco de dados XNAT hospedado no INCF. Uma vez que os dados estão no servidor central, uma verificação de controle de qualidade (QC) é iniciada e o relatório é enviado ao pesquisador. Os dados brutos, metadados e dados de controle de qualidade são armazenados no banco de dados. O QC será inicialmente derivado das recomendações do FBIRN (Glover et al., 2012) e generalizado para outros métodos. & # x0201COne-click & # x0201D pode ser apenas a operação idealizada do sistema, mas o termo expressa o princípio de que o sistema deve ser trivial de usar: os metadados são capturados dos próprios dados carregados na medida do possível, e o pesquisador é solicitada a falta de informações. O sistema incentiva as melhores práticas de EDC a partir da aquisição de dados, mas preenche as lacunas com seu próprio EDC e gerenciamento.
  2. Estabelecimento de um esquema de descrição de dados de neuroimagem e API comum para facilitar a comunicação entre bancos de dados. Vários esforços já avançaram nesse sentido, dos quais o XCEDE é provavelmente o mais conhecido (Gadde et al., 2011). Essa descrição padrão seria usada para mediar entre bancos de dados com diferentes modelos de dados ou como uma recomendação para expor um conjunto mínimo de elementos de metadados e um vocabulário comum. Eventualmente, isso será vinculado a um conjunto de ontologias para permitir pesquisas e raciocínios semânticos.
  3. Introdução de um mecanismo para capturar dados relacionados em um único contêiner. Por exemplo, dados de difusão requerem informações adicionais na forma de vetores de gradiente de difusão e valores b. A maioria dos utilitários de conversão DICOM os gravará como dois arquivos separados. Tentaremos usar o contêiner Connectome File Format (CFF) para armazenar esses dados (Gerhard et al., 2011). Esta solução pode ser aplicada a outros casos, como dados multi-eco adquiridos de uma única aquisição que não são tratados nativamente por qualquer formato de dados principal (por exemplo, o formato FreeSurfer & # x00027s .mgz captura essas informações).
  4. Armazenamento automático dos metadados e resultados dos fluxos de processamento para um banco de dados. Usando os fluxos de trabalho QC como ponto de partida, certifique-se de que a saída desses fluxos de trabalho possa ser enviada, inicialmente, para um banco de dados XNAT. Aumentaremos o processamento para usar a interface de programação de aplicativo (API) comum, o esquema XCEDE estendido e a tecnologia de contêiner CFF para capturar os dados e metadados processados, em particular a proveniência. Os primeiros ensaios poderiam ser realizados com Nipype (Gorgolewski et al., 2011) e PyXNAT (Schwartz et al., Submetido). Recentemente, alguns primeiros passos foram dados para implementar o modelo de dados de proveniência & # x0201CPROV & # x0201D desenvolvido através do World Wide Web Consortium (W3C) em software de neuroimagem, para incluir as informações de proveniência dentro do esquema XCEDE e para criar um vocabulário para neuroimagem que pode ser usado para anotar dados. Isso permitirá a captura direta e automática das informações de proveniência padronizadas que podem então ser usadas para manter metadados apropriados para imagens processadas e em consultas de dados. A geração de anotações legíveis por máquina dos metadados (por exemplo, dados, e aumenta a eficácia dos motores de busca, como NIF em sua capacidade de agregar dados de fontes distintas.

O que torna as novas mídias sociais diferentes?

Eu cresci na era do MSN Messenger, salas de chat, painéis de mensagens e MySpace. Lembro-me de me sentir muito atraído para me conectar com meus amigos online, muitas vezes me comunicando mais online do que pessoalmente. Mas essas plataformas sociais online são fundamentalmente diferentes das plataformas de hoje.

As plataformas sociais de hoje são mais do que um espaço neutro para se comunicar com amigos. Eles são plataformas de transmissão em miniatura.

Ainda me lembro de um tempo antes do botão do Facebook & # 8216like & # 8217. O botão foi introduzido em 2009 e tornou a plataforma mais do que simplesmente comentar e compartilhar. Em 2016, o botão & # 8216reactions & # 8217 foi lançado, permitindo que os usuários compartilhem suas reações emocionais ao seu conteúdo.

O botão & # 8216like & # 8217 ampliou o potencial de comparação social. Em um artigo apresentando uma entrevista com o Dr. Max Blumburg, be afirma:

& # 8220 & # 8230você está se tornando vulnerável aos pensamentos dos outros, então não é surpreendente que, se isso não provocar a reação que você esperava para o seu orgulho, seja atingido. Estamos buscando a aprovação de nossos colegas e não é bom quando não conseguimos - você quer que as pessoas pensem que seu "conteúdo" é engraçado / interessante / agradável. "Se você tem baixa autoestima e não se sai bem nas redes sociais, você vai se sentir particularmente mal.

Somos todos empresas de mídia em miniatura, em certo sentido. A responsabilidade de gerenciar a reputação online do one & # 8217s disparou desde o desenvolvimento dessas tecnologias avançadas.

A ideia de ter uma carreira como celebridade da mídia social era impensável não muito tempo atrás. Agora, os influenciadores da mídia social são um aspecto-chave do marketing convencional.

Todos nós temos que nos tornar nossos próprios profissionais de marketing online. É algo que penso bastante, dado que criei este site com o propósito de partilhar as minhas ideias de uma forma não tradicional.

Embora você possa usar as mídias sociais para promover sua carreira profissional e construir conexões com pessoas que pensam como você, é importante estar atento quando isso estiver causando um impacto negativo em sua vida.

Se você suspeita que o uso da Internet pode estar tendo um impacto negativo, experimente o Teste de Vício da Internet gratuito aqui.


Revelando o substrato neural de transtornos psiquiátricos

O uso de imagens anatômicas e funcionais do cérebro teve um grande efeito na psiquiatria, fornecendo algumas das demonstrações mais robustas e diretas de alterações morfológicas e funcionais do cérebro em distúrbios que muitos consideravam de natureza psicológica. Com o tempo, essas abordagens produziram informações sobre mecanismos neurais comuns e sobrepostos de transtornos psiquiátricos, incluindo TDM, esquizofrenia, TB, TDAH, PTSD e transtorno do espectro do autismo (Tabela E1 [online]). A maioria dos artigos citados a seguir usou o DSM IV como critério diagnóstico, mas não houve mudanças drásticas nos critérios do DSM para os principais transtornos desde o DSM III.

Transtorno Depressivo Maior

Os déficits anatômicos e funcionais são revelados em várias regiões do cérebro em pacientes com TDM, especialmente os circuitos límbico-pré-frontal (Fig. 1). Nossa recente meta-análise de estudos de morfometria baseada em voxel de pacientes sem medicação com TDM identificou reduções robustas de massa cinzenta nas regiões pré-frontal e límbica, principalmente incluindo o giro frontal superior bilateral, giro lateral médio temporal e frontal inferior e giro parahipocampal bilateral e hipocampo (11). As alterações cerebrais subcorticais incluíram menores volumes do hipocampo em pacientes com TDM, que parecem ser moderados pela idade de início e ser maiores em pacientes com episódios recorrentes do que naqueles que vivenciam seu primeiro episódio (12). Notavelmente, o achado interessante de menor volume do hipocampo foi associado à "hipótese neurotrófica de depressão", que propõe que níveis elevados de glicocorticóides associados à hiperatividade crônica do eixo hipotálamo-pituitária-adrenal em pacientes com TDM podem induzir atrofia cerebral por remodelação e regulação negativa de fatores de crescimento, incluindo fator neurotrófico derivado do cérebro (13). Além disso, essas mudanças anatômicas são diferentes (uma) entre pacientes que vivenciam seu primeiro episódio e aqueles com doença crônica (14) e (b) entre pacientes em remissão com TDM e aqueles que estão atualmente deprimidos (15). O padrão variável de aumento e diminuição da espessura cortical em todo o cérebro sugere que uma análise de perfil de mudanças no cérebro pode ser mais útil para o diagnóstico do que mudanças medidas em qualquer região cerebral particular.

Déficits de substância branca, especialmente aqueles revelados por imagens de DT, foram observados em pacientes com transtornos de humor, principalmente nos circuitos de regulação da emoção (Fig. 1), esse achado é consistente com os achados de substância cinzenta. Por exemplo, pacientes com transtorno depressivo exibiram valores de anisotropia fracionária (FA) substancialmente mais baixos na substância branca do giro frontal médio direito, giro occipitotemporal lateral esquerdo e giro angular do lobo parietal direito do que indivíduos saudáveis ​​de comparação. Assim, as anormalidades da substância branca podem contribuir para interrupções nos circuitos neurais envolvidos na regulação do humor e, portanto, podem contribuir para a neuropatologia do TDM (16). Além disso, a diminuição da AF no membro anterior esquerdo da cápsula interna pode refletir doença em suas projeções frontostriatal e frontotalâmica, o que poderia aumentar o risco de comportamento impulsivo e emocionalmente desinibido, como suicídio (17,18).Se replicados, esses achados podem fornecer um biomarcador objetivo para o risco de suicídio, que é altamente elevado em pacientes com depressão ou outros transtornos psiquiátricos importantes e representa a única causa importante de mortalidade em psiquiatria. Os biomarcadores de neuroimagem podem ajudar a identificar os pacientes específicos que precisam de intervenção preventiva precoce e monitoramento intensivo para reduzir o risco de suicídio.

Estudos funcionais e metabólicos forneceram evidências adicionais demonstrando anormalidades em múltiplos circuitos neurais distribuídos em pacientes com depressão, especialmente aqueles que suportam a regulação da emoção e o processamento de recompensas. As descobertas mais consistentes envolvem dois padrões de anormalidades funcionais distintas: (uma) aqueles em circuitos neurais de regulação emocional implícita modulados serotonergicamente, incluindo a amígdala e regiões no córtex pré-frontal medial, e (b) aqueles em circuitos de processamento de recompensa dopaminergicamente modulados, incluindo o estriado ventral e o córtex pré-frontal medial (19). Estudos anteriores usaram abordagens baseadas na teoria dos gráficos e descobriram que a depressão era caracterizada por menor extensão do caminho e maior eficiência global, implicando em uma mudança em direção à randomização nas redes cerebrais que poderiam contribuir para distúrbios no humor e na cognição em pacientes com TDM (20). Além disso, usando a análise de conectividade funcional em estado de repouso, descobrimos que a depressão refratária ao tratamento está associada à conectividade funcional interrompida, principalmente em circuitos talamocorticais, enquanto a depressão não refratária está associada a uma conectividade diminuída mais distribuída no circuito límbico-estriatal-palidal-talâmico. Esses resultados sugerem que a depressão não refratária e a depressão refratária podem representar dois subtipos distintos de TDM caracterizados por déficits funcionais distintos em redes cerebrais distribuídas (21). Essas abordagens podem ser importantes na detecção precoce de pacientes que provavelmente não responderão aos tratamentos de primeira linha e que requerem terapias médicas e psicossociais complementares.

Além do diagnóstico, estudos de predição de resposta ao tratamento na depressão indicam um papel importante para análises focadas na amígdala. Um estudo de terapia cognitivo-comportamental relatou que uma maior atividade da amígdala pré-tratamento previu um melhor resultado (24), enquanto um estudo do antidepressivo rápido cetamina relatou o efeito oposto (25), sugerindo o uso potencial da atividade da amígdala para orientar o tratamento com abordagens psicossociais em vez de com medicação antidepressiva. Outro estudo relatou que a maior ativação da amígdala em resposta às expressões faciais emocionais prediz uma maior redução dos sintomas depressivos 8 meses após diferentes tipos de tratamento (26). Além da amígdala, outras regiões dentro dos circuitos cerebrais que suportam o processamento emocional, incluindo o córtex cingulado anterior dorsal (27) e o córtex pré-frontal ventrolateral (28,29), mostraram ter potencial para predizer o desfecho clínico em pacientes com TDM (30).

Esquizofrenia

A esquizofrenia é outro transtorno psiquiátrico comum, afetando aproximadamente 1% da população, e é caracterizada por delírios, afeto plano, alucinações, retraimento social e comportamento bizarro. Estudos de pacientes com esquizofrenia de primeiro episódio virgens de tratamento revelaram déficits cerebrais no início da doença (8,31,32). Além disso, esses déficits anatômicos podem afetar as redes funcionais, que posteriormente podem representar a causa próxima dos sintomas clínicos (8). Achados de estudos longitudinais de primeiro episódio de esquizofrenia e comparação de achados em pacientes com primeiro episódio de esquizofrenia e aqueles com doença crônica sugerem considerável variabilidade nos padrões de mudanças anatômicas na fase inicial da doença, déficits menores em pacientes com primeiro episódio de esquizofrenia do que naqueles com doença crônica, e alguma progressão regional de alterações cerebrais ao longo do curso de longo prazo da doença (33). Algumas dessas alterações parecem estar relacionadas a manifestações clínicas. Por exemplo, pacientes com sintomas negativos proeminentes, como achatamento afetivo, avolição e apatia, foram relatados para mostrar maiores reduções do volume de substância cinzenta no lobo temporal (31). Regiões como o córtex pré-frontal medial, estriado e tálamo estão dentro da via da dopamina, que é um alvo de tratamento e um sistema implicado na patogênese da esquizofrenia (Fig. 2). Existem outras regiões onde os efeitos da doença foram observados, incluindo as regiões parietal e occipital, que não recebem inervação dopaminérgica proeminente (Fig. 2). Isso sugere um processo fisiopatológico complexo com diversos efeitos cerebrais.

Da mesma forma, estudos de substância branca em pacientes com primeiro episódio de esquizofrenia indicam anormalidades generalizadas nos tratos de substância branca (34), com evidências de reduções na AF no uncinado (35), cíngulo (36), fórnice (37), corpo caloso ( 38), e fascículo longitudinal inferior (39), entretanto, resultados negativos também foram relatados (40). A localização inconsistente dos achados é refletida em uma meta-análise relativamente recente dos achados de AF em pacientes com esquizofrenia, conforme relatado em 23 artigos publicados, onde achados dispersos e não sobrepostos foram vistos em todos os tratos de substância branca (41). Tal como acontece com os estudos morfométricos, essa variabilidade provavelmente se deve a fatores, como diferenças na aquisição e análise de imagens, amostras pequenas, duração variável da doença e heterogeneidade da doença.

Os resultados também sugerem que as mudanças mais robustas na função cerebral ocorrem principalmente em regiões diferentes daquelas onde os achados anatômicos foram identificados (42-44). Hipofunção do córtex pré-frontal medial e hiperatividade do hipocampo e corpo estriado foram relatados em pacientes com primeiro episódio de esquizofrenia antes do tratamento e podem, com o tempo, fornecer biomarcadores para o distúrbio e alvos para o tratamento (42). Embora mudanças funcionais aparentemente benéficas e adversas tenham sido vistas após o tratamento antipsicótico em algumas regiões do cérebro, como aumento da atividade do córtex pré-frontal medial e conectividade interrompida dentro da rede pré-frontal-parietal (45), outras alterações na anatomia e função parecem permanecer relativamente estável no início do curso da doença após o tratamento e estabilização clínica, assim como os déficits cognitivos (46). Embora a progressão dos déficits cerebrais em pacientes com esquizofrenia não seja substancial no curso inicial da doença, eles parecem ocorrer em algumas regiões do cérebro nas décadas após o início da doença (33). Evidências recentes estão começando a identificar associações entre achados de neuroimagem e fatores genéticos, e o esclarecimento dessas associações está entre as direções mais importantes para pesquisas futuras nesta área (47).

Alguns estudos relativamente recentes examinaram o papel potencial das características de imagem no diagnóstico clínico da esquizofrenia. Três estudos (48–50) mostraram que a redução de volume nas regiões pré-frontal e temporal foi a principal diferença anatômica entre pacientes e indivíduos controle, separando os grupos com uma precisão de classificação de 75% -90%. Embora essas descobertas sejam encorajadoras, a interpretação dos resultados é prejudicada por potenciais efeitos de confusão dos tratamentos com drogas, longa duração da doença e pequenos tamanhos de amostra. Estudos de imagem por RM têm mostrado que drogas antipsicóticas podem causar perda de massa cinzenta no neocórtex, embora potenciais efeitos compensatórios envolvendo volumes estriados aumentados tenham sido observados (51,52). Embora os efeitos de diferentes drogas antipsicóticas na anatomia e função do cérebro não estejam bem estabelecidos, essas alterações de imagem foram usadas para prever a resposta ao tratamento (53-56).

Transtorno bipolar

Consistente com os achados anatômicos, déficits cerebrais funcionais em pacientes com TB também foram relatados, incluindo principalmente reduções na ativação no córtex pré-frontal lateral ventral direito, amígdala e córtex cingulado anterior (Tabela E1 [online]). A disfunção da amígdala pode representar um marcador de estado de doença bipolar, enquanto a disfunção do córtex pré-frontal lateral ventral pode ser independente do estado de humor e pode representar um marcador de traço da doença (64), entretanto, esse padrão é menos evidente em pacientes pediátricos (65). A conectividade funcional entre o córtex cingulado anterior posterior e a amígdala em pacientes com TB também foi interrompida durante o processamento emocional, o que pode ser causado por interrupções na conectividade da substância branca do córtex cingulado anterior posterior e amígdala (66).

A ressonância magnética demonstrou ter alto valor na compreensão e avaliação das alterações cerebrais em pacientes pediátricos com transtornos psiquiátricos. Com estudos de imagens de RM funcionais baseados em tarefas, foram identificados problemas de processamento emocional implicados em pacientes pediátricos com TB, envolvendo principalmente a atividade da amígdala e das regiões pré-frontais (67,68). Além dos déficits relacionados à doença, o efeito do tratamento também foi revelado. Por exemplo, Pavuluri et al (69) descobriram que os antipsicóticos de segunda geração mostraram aumento da atividade do lobo pré-frontal e temporal em pacientes com TB adolescente. Esses déficits são promissores como potenciais biomarcadores no diagnóstico clínico e no planejamento do tratamento para TB (70).

Transtorno de Déficit de Atenção e Hiperatividade

Quanto às alterações funcionais, os pacientes com TDAH demonstraram ter atividade anormal no córtex orbitofrontal, temporal médio e dorsolateral pré-frontal (Fig. 4). A hipoativação no córtex frontal inferior em pacientes com TDAH tem sido relacionada à inibição da resposta comportamental prejudicada, que é uma característica neurocomportamental central do TDAH (78). A hiperativação nas áreas estriado e mediotemporal durante tarefas de memória de trabalho sugere que o circuito corticoestriatal atípico pode ser um componente importante na fisiopatologia do TDAH (7). Além das mudanças funcionais cerebrais, as regiões de rede de modo padrão no cerebelo mostraram conectividade funcional positiva (em contraste com o que é tipicamente conectividade funcional negativa em indivíduos controle), com regiões difundidas de saliência, atenção dorsal e redes sensório-motoras. Isso fornece evidências de acoplamento de rede de modo padrão cerebelar prejudicado com redes corticais em pacientes com TDAH e destaca o papel das interações cerebrocerebelares em pacientes com esta doença. Este circuito foi proposto como um alvo para intervenções terapêuticas em pacientes com TDAH (79). Usando a análise multivariada, um estudo anterior aplicou a classificação de padrões a imagens de RM funcionais baseadas em tarefas de inibição comportamental para identificar com precisão 77% dos pacientes com TDAH (80).

Transtorno de estresse pós-traumático

Estudos funcionais mostraram ativação reduzida do tálamo, giro cingulado anterior e giro frontal medial em relação àqueles em indivíduos saudáveis ​​de controle (91). Em contraste, o aumento da ativação foi observado no hipocampo esquerdo (92), amígdala (93) e córtex visual. Esses achados estão positivamente correlacionados com a nova experiência de trauma ou sintomas de evitação em pacientes com TEPT (94). Além disso, nossa equipe usou a regressão do vetor de relevância para examinar a relação entre os dados de imagem de RM funcional do estado de repouso e os escores de sintomas e descobriu que a identificação precisa de pacientes com PTSD foi baseada na ativação funcional em uma série de regiões pré-frontal, parietal e occipital este achado permitiu-nos confirmar que o PTSD é um distúrbio específico das redes frontolímbicas (95). O padrão de alterações de rede observadas coincidiu amplamente com as redes de saliência, executivo central e modo padrão (96,97), bem como com as redes somatomotora, auditiva e visual (98) (Fig 5). Também encontramos alterações substanciais na função cerebral que são semelhantes em muitas maneiras àquelas observadas em pacientes com TEPT em indivíduos logo após grandes experiências traumáticas, destacando a necessidade de avaliação e intervenção precoces em sobreviventes de trauma (99). No entanto, também encontramos mudanças de longo prazo nas redes neurais envolvidas em aspectos centrais de autoprocessamento e funcionamento cognitivo e emocional em sobreviventes de desastres que eram independentes dos sintomas de ansiedade (100).

Essas características de imagem também mostraram valor potencial na previsão do início da doença. Por exemplo, Shin et al (101) relataram que a hiper-responsividade no cingulado anterior dorsal parece ser um fator de risco familiar para o desenvolvimento de PTSD após trauma psicológico. Em um de nossos estudos anteriores, descobrimos que os padrões de alternâncias neuroanatômicas poderiam ser usados ​​para identificar sobreviventes de trauma com PTSD e aqueles sem (102). As reduções de volume no hipocampo podem ser promissoras como uma abordagem para monitorar os resultados terapêuticos (103).


Discussão

Os últimos anos testemunharam um interesse emergente nos sistemas neurobiológicos que suportam os processos motivacionais intrínsecos. Embora esta área de investigação seja jovem, evidências conceituais e empíricas apontam para o papel dos sistemas dopaminérgicos no suporte de comportamentos motivados intrinsecamente. Em diferentes espécies de mamíferos, parece haver ligações entre a dopamina e as experiências positivas associadas à exploração, novo aprendizado e interesse em um ambiente & # x02019s (Panksepp, 1998 Panksepp e Biven, 2012). Com base na distinção de Bromberg-Martin et al. & # X02019s (2010) entre codificação dopaminérgica de valor e saliência e em trabalhos anteriores, respectivamente, mapeando esses sistemas na fenomenologia da competência (Tricomi e DePasque, 2016) e interesse (DeYoung, 2013) , propomos que a motivação intrínseca acarreta ambos os tipos de transmissão dopaminérgica. Como esses sistemas de dopamina envolvem estruturas neurais distintas, estudos de neuroimagem futuros têm uma forte base conceitual para especificar diferentes a priori regiões de interesse. Além disso, as evidências sugerem que a motivação intrínseca envolve alterações entre as redes neurais de detecção de saliência, controle de atenção e cognição autorreferencial (Menon e Uddin, 2010 Menon, 2015). Uma melhor compreensão dessas dinâmicas neurais em grande escala pode fornecer maior resolução dos processos que suportam o aprendizado e o desempenho de alta qualidade.

Apesar da relação conceitual clara entre motivação intrínseca e transmissão dopaminérgica, apenas dois estudos existentes fornecem evidências diretas de uma associação entre esses dois processos (de Manzano et al., 2013 Gyurkovics et al., 2016). A maior parte da pesquisa existente fornece suporte indireto para a hipótese de que a dopamina é um substrato da motivação intrínseca em que as regiões centrais inervadas pelos neurônios dopaminérgicos são ativadas durante a motivação intrínseca. As manipulações farmacológicas da dopamina representam, portanto, uma nova direção de pesquisa importante. Na verdade, tais manipulações já foram aplicadas com sucesso no estudo de traços disposicionais (por exemplo, Wacker e Smillie, 2015) e sua aplicação no estudo de estados motivacionais pareceria uma extensão natural. As manipulações farmacológicas da dopamina podem, por exemplo, permitir aos pesquisadores decodificar com mais precisão os mecanismos neurais que medeiam o efeito destruidor de recompensas externamente contingentes sobre a motivação intrínseca.

A ligação entre os sistemas dopaminérgicos e a motivação intrínseca também pode ser útil para roboticistas desenvolvimentistas, para os quais o tópico da motivação intrínseca caiu recentemente no campo de ação (por exemplo, Gottlieb et al., 2013, 2016). O objetivo declarado da robótica do desenvolvimento é projetar agentes incorporados que auto-organizem seu desenvolvimento através da construção de habilidades sensório-motoras, cognitivas e sociais ao longo de suas interações com o ambiente. Os roboticistas propuseram que, para que os agentes incorporados sejam capazes de motivação intrínseca, eles devem não apenas ser equipados com sistemas computacionais que os orientem em direção a estímulos novos, surpreendentes ou incertos, mas também com processos de meta-monitoramento que rastreiam seu progresso de aprendizagem em sua investigação de tais estímulos (Gottlieb et al., 2013, 2016). Sem os processos de meta-monitoramento que rastreiam o aprendizado, os agentes provavelmente ficarão presos na investigação de estímulos que são aleatórios ou não aprendíveis, impedindo a possibilidade de desenvolvimento autodirigido. A existência de sistemas dopaminérgicos de codificação de saliência e valor, respectivamente capazes de rastrear novidades e feedback gratificante, pode representar parcialmente uma instanciação orgânica do tipo de sistema computacional que Gottlieb et al. (2013, 2016) hipotetizam ser um requisito para a motivação intrínseca. Acreditamos que os roboticistas estão bem posicionados para descobrir os tipos de problemas computacionais que precisam ser resolvidos para uma compreensão completa dos substratos neurais da motivação intrínseca. Esperamos, portanto, que algumas das idéias presentes ajudem a estimular a pesquisa em robótica sobre motivação intrínseca.

Estudos futuros também são necessários para testar diretamente a hipótese de que os estados intrinsecamente motivados envolvem a comutação dinâmica entre as redes de destaque, executivo central e padrão. Além das análises tradicionais de fMRI, comparando a atividade em a priori regiões em estados motivados intrinsecamente e não intrinsecamente, esta hipótese incentiva especificamente o uso de análises de conectividade e a adoção de técnicas cronométricas que podem fornecer informações sobre a dinâmica e a direcionalidade da atividade em redes de grande escala (por exemplo, Sridharan et al., 2008 ) Essa direção de pesquisa pode ajudar não apenas a elucidar a base neural da motivação intrínseca, mas também a identificar os mecanismos neurais por meio dos quais a motivação intrínseca melhora os resultados de aprendizagem e desempenho, especialmente em tarefas que requerem profundidade de processamento e envolvimento de alta qualidade.

Além da exploração, curiosidade e domínio: jogo social intrinsecamente motivado

SDT usa motivação intrínseca como um termo amplo para diversidade de atividades que são inerentemente recompensadoras e promotoras de crescimento (Ryan e Deci, 2017). Esta é uma grande classe de comportamentos, incluindo minimamente tendências curiosas de exploração e domínio, por um lado, e brincadeiras sociais, por outro (Ryan e Di Domenico, 2016). Até o momento, os estudos da neurociência humana têm se concentrado na motivação intrínseca associada à exploração e domínio curiosos, ao invés do jogo social, e, portanto, baseamos nossa revisão neste subconjunto de comportamentos intrinsecamente motivados. No entanto, a neurociência afetiva comparativa sugere que a exploração e o jogo social têm bases neurobiológicas e fenomenológicas distintas e sobrepostas, sendo a primeira servida pelo sistema SEEKING e a última pelo Sistema PLAY (Panksepp, 1998 Panksepp e Biven, 2012). O sistema PLAY subcortical governa as interações violentas (R & # x00026T) dos mamíferos, energizando-os para desenvolver e refinar suas competências físicas, emocionais e sociais em um contexto seguro (Panksepp, 1998 Pellis e Pellis, 2007 Trezza et al ., 2010, Panksepp e Biven, 2012).No desenvolvimento inicial dos mamíferos, o jogo R & # x00026T constitui um tipo de cognição social incorporada que fornece uma base para a cooperação e a autorregulação adaptativa da agressão (Peterson e Flanders, 2005). Os seres humanos, é claro, também são capazes de formas mais sofisticadas de jogo além do R & # x00026T, como jogos comuns de playground, jogos esportivos e humor amigável, mas tal jogo humano pode ser organizado em torno de motivações PLAY básicas (Panksepp, 1998 Panksepp e Biven, 2012) .

Podemos, portanto, considerar o brincar como uma socialização motivada intrinsecamente (Ryan e Di Domenico, 2016), uma expressão das tendências complementares das pessoas em direção à autonomia e socialidade no desenvolvimento (Ryan, 1995 Ryan et al., 1997). Na verdade, a pesquisa em SDT sugere que, além de competência e autonomia, as pessoas têm uma necessidade psicológica básica de parentesco, a sensação de se sentir significativamente conectado com os outros (Ryan e Deci, 2017). Embora fortes associações entre motivações intrínsecas exploratórias e satisfações de competência e autonomia tenham sido claramente demonstradas, o relacionamento é geralmente visto como desempenhando um papel mais distal na expressão dessas motivações intrínsecas. Especificamente, as satisfações de relacionamento fornecem às pessoas (especialmente às crianças) uma sensação de segurança, uma base segura a partir da qual suas tendências exploratórias podem ser expressas de forma mais robusta (Ryan e Deci, 2017). O reconhecimento da BRINCADEIRA social significa a centralidade da necessidade de relacionamento em algumas atividades motivadas intrinsecamente.

O interesse nas sobreposições e contrastes entre a exploração motivada intrinsecamente e o jogo é, portanto, uma agenda importante para estudos futuros e ambos são relevantes para a motivação intrínseca conforme estudada no SDT (Ryan e Di Domenico, 2016). Os modelos comportamentais da motivação intrínseca humana geralmente confundem exploração e jogo porque essas atividades compartilham características comuns, como um locus interno de causalidade percebido e competência ou domínio percebidos. Na verdade, as distinções funcionais entre a exploração motivada intrinsecamente e o objeto ou jogo manipulativo são sutis e sugerem que, para muitas atividades reconhecidas como & # x0201 lúdicas & # x0201d, a fusão é apropriada e produtiva. Por exemplo, Wilson (2000) sugeriu que & # x0201cNa passagem da exploração para a brincadeira, o animal ou criança muda sua ênfase de & # x02018O que este objeto faz? & # X02019 para & # x02018O que pode eu fazer com este objeto? & # x0201d & # x02019 (p.165). Na verdade, jogos com objetos intrinsecamente motivados, jogos manipulativos e jogos solitários provavelmente surgem da atividade do sistema SEEKING (Panksepp, 1998 Panksepp e Biven, 2012). Claramente, mais trabalho empírico é necessário para diferenciar esses tipos de motivação intrínseca em humanos.

Sugestões Metodológicas

Nossa intenção principal neste artigo de revisão é estimular a integração crescente entre a pesquisa comportamental social sobre motivação intrínseca e a neurociência da motivação. Vemos muitos caminhos novos e promissores se abrindo. Ao mesmo tempo, persistem questões metodológicas que justificam considerações sérias. Listamos apenas alguns deles.

Em primeiro lugar, a motivação intrínseca e o efeito destruidor associado das recompensas sobre esses comportamentos pertencem apenas a tarefas que são interessantes e agradáveis ​​em primeiro lugar. Assim, os pesquisadores devem testar atividades-alvo para garantir que as atividades sejam adequadas para examinar o efeito de solapamento. Isso é especialmente importante na neurociência, onde os métodos contemporâneos, como fMRI, muitas vezes envolvem procedimentos que limitam o quão interessantes as tarefas experimentais podem ser. Os pesquisadores também devem usar avaliações multi-métodos de motivação intrínseca para validar suas medidas e para garantir que os fenômenos comportamentais corretos estão sendo explorados. Por exemplo, em uma tentativa (e falhou) de replicação e extensão de Murayama et al. & # X02019s (2010) estudo de fMRI sobre o efeito de solapamento, Albrecht et al. & # X02019s (2014) utilizou uma tarefa de discriminação de imagem para a qual os participantes pode não ter sido motivado intrinsecamente em primeiro lugar (o teste piloto não foi relatado) e para o qual o comportamento de livre escolha não foi examinado como uma variável dependente. Na ausência dessas características de design importantes, é difícil tirar conclusões decisivas de seu experimento. Incidentalmente, notamos que o estudo de Albrecht et al. & # X02019s (2014) mostrou que o feedback de competência aumentou a diversão auto-relatada dos participantes & # x02019 e que também foi associado a ativações aumentadas no mesencéfalo, estriado e PFC lateral, achados que são consistentes com a ideia de que a competência está associada à atividade relacionada à dopamina.

Em segundo lugar, a replicabilidade é uma preocupação central, assim como em todas as neurociências sociais e de personalidade (Allen e DeYoung, 2016). A maioria dos estudos até agora têm sido investigações de pequenas amostras, e amostras maiores são necessárias se quisermos obter conclusões fundamentais. A priori hipóteses relativas a regiões de interesse também adicionarão confiança à interpretação dos resultados. Para esse fim, a presente revisão deve fornecer estudos futuros com uma referência útil para fazer previsões claras sobre a base neural da motivação intrínseca.

Conclusão

A motivação intrínseca é um tópico de interesse tanto na ciência comportamental básica quanto nos estudos e intervenções translacionais aplicadas (Ryan e Deci, 2000, 2017). No entanto, importante para o progresso da pesquisa empírica sobre motivação intrínseca é integrar o que é conhecido dos estudos fenomenológicos e comportamentais com os estudos da neurociência. Como sugerimos no início, a neurociência tem potencial para testar modelos existentes dos determinantes situacionais e sociais da motivação intrínseca, bem como para fornecer maior resolução sobre os processos afetivos e cognitivos que sustentam tais atividades. O movimento em direção à consiliência é uma preocupação central para o SDT e nossa esperança é que a síntese atual forneça algum incentivo amplo para essa agenda.


Quais tecnologias de commodities oferecem dados úteis de neuroimagem? - psicologia

Usando dados de fMRI para prever diagnósticos de autismo com vários modelos de aprendizado de máquina e métodos de validação cruzada

Colaboradores: Emily Chen, Andréanne Proulx, Mikkel Schöttner

Este repositório contém contribuições da equipe ABIDE feitas durante The BrainHack School 2020. Este projeto usa dados de fMRI de estado de repouso do conjunto de dados ABIDE para treinar modelos de aprendizado de máquina e está licenciado sob uma licença Creative Commons Zero v1.0 Universal.

Sinta-se à vontade para entrar em contato com qualquer um de nós se tiver dúvidas ou comentários!

Olá! Eu sou um estudante de graduação (entrante) do quarto ano da Universidade McGill, estudando ciência da computação e geografia de saúde urbana, com especialização em ciências cognitivas. Eu sou um assistente de pesquisa com Isabelle Arseneau-Bruneau no Zatorre Lab e tenho aprendido muito sobre pesquisa em neurociência enquanto (espero) emprestando algumas de minhas habilidades técnicas para o trabalho de doutorado de Isabelle explorando o efeito do treinamento musical no FFR.

Ao ingressar na BrainHack School, eu estava ansioso para trabalhar em um projeto na interseção da neurociência e da ciência da computação porque minhas aulas anteriores raramente se concentravam na aplicação dos conceitos abstratos que aprendíamos. Após a conclusão da BrainHack School, tive a oportunidade de aprender e colaborar com talentosos pesquisadores e participantes da neurociência, escrever um script de aprendizado de máquina usando dados de neurociência e python e ganhar prática em esforços de reprodutibilidade e bom gerenciamento de projetos.

Você pode me encontrar no GitHub em emilyemchen e no Twitter em @emilyemchen.

Oi! Eu sou um novo aluno de mestrado em Psicologia na Universidade de Montreal. Minha formação é em neurociência cognitiva e meu objetivo profissional é trabalhar em projetos de pesquisa que visem descobrir novas formas de caracterizar o cérebro em seus estados patológicos. No momento, estou trabalhando com Sébastien Jacquemont e Pierre Bellec, e o foco de nossa pesquisa é investigar o efeito de mutações genéticas em fenótipos cerebrais funcionais e estruturais. Mais precisamente, tenho trabalhado com medidas de conectividade funcional em estado de repouso em populações portadoras com transtornos de desenvolvimento.

Ao ingressar na Brainhack School, eu esperava fortalecer minhas habilidades computacionais e meus conhecimentos nas aplicações de aprendizado de máquina para o campo da neuroimagem. Não apenas comecei a trabalhar em um problema de aprendizado de máquina específico para minha área, mas também aprendi sobre ferramentas úteis como o GitHub. Mais importante, também conheci uma comunidade de pesquisadores brilhantes / conscientes e pude colaborar com outros alunos, mesmo em todo o mundo!

Ei! Sou estudante de mestrado em Neurociência Cognitiva na Universidade de Marburg. Minha formação é em psicologia. Estou especialmente interessado no cérebro social e em como os humanos inferem pensamentos e emoções a partir das ações dos outros. No momento, estou fazendo minha tese de mestrado sobre como as capacidades da Teoria da Mente e a empatia interagem no cérebro usando fMRI. Também estou muito interessado em métodos de pesquisa e como podemos usar estatísticas e técnicas de ciência de dados em dados de neuroimagem.

Ao entrar na Brainhack School, eu esperava obter uma melhor compreensão do aprendizado de máquina e como ele é útil para analisar dados de fMRI. Aprendi muito sobre organização de projetos colaborativos, como fazer plotagens bastante interativas e como escrever scripts Python melhores. A Brainhack School foi realmente uma experiência incrível conhecer muitas pessoas talentosas e motivadas e poder colaborar com elas além do Atlântico!

Você pode me encontrar no GitHub em mschoettner e no Twitter @mikkelschoett.

Esperávamos usar as seguintes ferramentas, tecnologias e bibliotecas para este projeto:

  • Git
  • GitHub
  • Código Visual Studio
  • Docker
  • Jupyter Notebook
  • HPC / Compute Canadá
  • Bibliotecas Python: numpy, pandas, matplotlib, scikit-learn, nilearn, seaborn, pyplot, pyplot
  • venv

O objetivo deste projeto era comparar diferentes modelos de aprendizado de máquina e métodos de validação cruzada e ver como cada um é capaz de prever o autismo a partir de dados de fMRI em estado de repouso. Usamos o banco de dados ABIDE de código aberto pré-processado, que contém dados estruturais, funcionais e fenotípicos de 539 indivíduos com autismo e 573 controles típicos de 20 locais de pesquisa diferentes.

Ao final da Escola BrainHack, pretendíamos ter o seguinte:

  • Arquivo README.md
  • arquivo requirements.txt que descreve os pacotes necessários para executar o script
  • Notebooks Jupyter com código e explicações
  • Repositório GitHub que documenta o fluxo de trabalho do projeto
  • Apresentação mostrando os resultados do projeto

Vários estudos encontraram um perfil de conectividade alterado na rede de modo padrão de indivíduos com Transtorno do Espectro do Autismo, ou ASD (Anderson, 2014). Com base nessas descobertas, os dados de fMRI do estado de repouso foram usados ​​para prever o autismo, treinando um classificador no conjunto de dados ABIDE multi-site (Nielsen et al., 2013). O objetivo científico deste projeto é replicar essas descobertas e estender a literatura, comparando os efeitos de diferentes métodos de validação cruzada em vários algoritmos de classificação.

Nós três unimos forças quando percebemos que compartilhamos muitos objetivos e interesses de aprendizagem semelhantes. Com essas ideias de projetos semelhantes, concluímos que conseguiríamos realizar mais trabalhando juntos, cada um adotando métodos de validação cruzada diferentes para treinar vários modelos de aprendizado de máquina.

Todos nós compartilhamos um interesse comum em tornar nosso projeto o mais reproduzível possível. Esse objetivo envolvia a criação de um fluxo de trabalho transparente e colaborativo que pudesse ser rastreado a qualquer momento por qualquer pessoa. Para atingir esse objetivo, utilizamos os vários recursos que o GitHub tem a oferecer, todos os quais você pode ver em ação em nosso repositório compartilhado aqui.

  • Galhos: costumava trabalhar simultaneamente em nossas próprias partes e, em seguida, enviar as alterações para o branch master
  • Solicitações de pull: criado ao fazer alterações no branch master
  • Problemas: usados ​​para se comunicarem uns com os outros e acompanharem as tarefas
  • Tag: usado para manter as questões organizadas
  • Milestones: usado para manter nossos principais objetivos em mente (apresentação da semana 4 e entrega final)
  • Projetos: usado para rastrear vários aspectos do nosso trabalho

Preparação de dados padronizados e cadernos Jupyter

Os dados são processados ​​de forma padronizada usando um script Python que prepara os dados para os classificadores de aprendizado de máquina. Vários notebooks Jupyter então implementam diferentes modelos e técnicas de validação cruzada que são descritos em detalhes abaixo.

Ferramentas, tecnologias e bibliotecas aprendidas

Muitos deles contribuem para as práticas de ciência aberta!

  • Notebook Jupyter: Escreva o código em um ambiente virtual
  • Código do Visual Studio: Edite arquivos como README.md
  • Bibliotecas Python: numpy, pandas, nilearn, matplotlib, plotly, seaborn, plotly, sklearn (redução de dimensionalidade, divisão do trem de teste, pesquisa em rede, métodos de validação cruzada, avaliação de desempenho)
  • Git: Rastrear alterações de arquivo
  • GitHub: Organizar o fluxo de trabalho e projeto da equipe
  • Aprendizado de máquina: Aplicar conceitos e ferramentas de ML ao campo de neuroimagem
  • venv: Faça o arquivo required.txt para um ambiente virtual reproduzível

Produto 1: Notebooks Jupyter (x3)

Este notebook contém código para executar uma classificação de vetor de suporte linear para prever o autismo a partir de dados de estado de repouso. Ele usa validação cruzada de exclusão de grupo usando site como a variável de grupo. Os resultados fornecem uma boa estimativa de quão estável é o modelo. Enquanto para a maioria dos sites a previsão funciona acima do nível de chance, para alguns, o autismo é previsto apenas no nível de chance ou mesmo abaixo dele.

Validação cruzada K-fold e leave-one-out

Este bloco de notas contém o código para executar a classificação de vetor de suporte linear, k-vizinhos mais próximos, árvore de decisão e algoritmos de floresta aleatórios no conjunto de dados ABIDE. Os modelos são treinados e avaliados usando métodos de validação cruzada k-fold e leave-one out. Obtemos pontuações de precisão que representam a habilidade do modelo em prever os rótulos de dados invisíveis. A validação cruzada omitida fornece previsões mais precisas do que a validação cruzada k-fold. Os valores de precisão variam de 55,8% a 69,2%.

Validação cruzada do grupo k-folds

Este notebook implementa uma variante iterativa de 10 vezes para dividir os dados em grupos não sobrepostos. Em seguida, ele executa quatro algoritmos de classificação nos dados: máquinas de vetores de suporte linear (LinearSVC), k- vizinhos mais próximos (KNeighborsClassifier), árvore de decisão (DecisionTreeClassifier) ​​e floresta aleatória (RandomForestClassifier). O classificador mais preciso, LinearSVC, tem uma pontuação de precisão média para todos os modelos de 63,5%, enquanto o classificador menos preciso, RandomForestClassifier, tem uma pontuação de precisão média para todos os modelos de 52,6%. Esta última porcentagem não está longe das pontuações médias de precisão dos outros dois classificadores. Essas pontuações não são particularmente impressionantes e um dos motivos pode ser os dados nos quais este modelo está sendo treinado. Cada site tinha diferentes processos, métodos e quantidades de dados coletados, portanto, a falta de semelhança poderia sugerir uma generalização menos difundida. O trabalho futuro para otimizar os parâmetros seria o próximo passo lógico.

Tabela 1: Pontuações médias de precisão (porcentagens) da validação cruzada de grupo de 10 vezes por algoritmo classificador

Algoritmo Pontuação Média Pontuação Máxima Pontuação Mínima
LinearSVC 63.5% 72.0% 52.3%
KNeighboursClassifier 55.2% 66.7% 48.7%
DecisionTreeClassifier 54.3% 61.6% 44.9%
RandomForestClassifier 52.6% 60.5% 39.7%

Quais foram os resultados gerais?

  • baixa os dados
  • extrai a série temporal de 64 regiões de interesse definidas pelo atlas cerebral BASC
  • calcula as correlações entre as séries temporais para cada participante
  • usa uma análise de componente principal para redução de dimensionalidade

Para buscar e preparar o conjunto de dados, você pode chamar o script prepare_data.py assim:

./prepare_data.py data_dir output_dir

python prepare_data.py data_dir output_dir

  • data_dir é o diretório onde você deseja salvar os dados ou já salvá-los e
  • output_dir é o diretório onde você deseja armazenar as saídas geradas pelo script.

Os blocos de notas também chamam a função prepare_data do script de preparação.

Este arquivo aumenta a reprodutibilidade, ajudando a garantir que os scripts sejam executados corretamente em qualquer máquina. Para certificar-se de que todos os scripts funcionam corretamente, você pode criar um ambiente virtual usando a biblioteca interna venv do pythons. Para fazer isso, siga estas etapas:

  1. Clone o repo e navegue até a pasta em um shell
  2. Crie um ambiente virtual em uma pasta de sua escolha: python -m venv / caminho / para / pasta
  3. Ative-o (comando bash, veja aqui como ativar em shells diferentes): source / path / to / folder / bin / activate
  4. Instale todos os requisitos necessários do arquivo de requisitos: pip install -r requisitos.txt
  5. Crie o kernel para notebooks jupyter: ipython kernel install --user --name = abide-ml
  6. Abra um bloco de notas jupyter: notebook-jupyter e clique no bloco de notas que deseja executar
  7. Selecione um kernel diferente clicando Kernel - & gt Alterar Kernel - & gt abide-ml
  8. Execute o código!

Produto 4: visualizações de dados (semana 3)

Entregável 5: Apresentação (Semana 4)

Os slides da apresentação podem ser vistos aqui no Canva, que é a plataforma que usamos para criar os slides. Um vídeo de nossa apresentação pode ser visto na página deste projeto. Apresentamos nosso trabalho para a Escola BrainHack em 5 de junho de 2020 usando a integração RISE em um notebook Jupyter, que pode ser encontrado aqui.

Produto 6: Visão geral do projeto e resultados no arquivo README.md

Este arquivo README.md contém o conteúdo que será mostrado na página do projeto do site BrainHack School.

Conclusão e Reconhecimento

Em primeiro lugar, gostaríamos de agradecer ao nosso mentor da clínica de pares das Semanas 3 e 4 e co-organizador da Escola Brainhack, Pierre Bellec. Um agradecimento especial também aos nossos mentores da Semana 2, Désirée Lussier-Lévesque, Alexa Pichet-Binette e Sebastian Urchs.

Obrigado também aos líderes e co-organizadores da BrainHack School 2020, Jean-Baptiste Poline, Tristan Glatard e Benjamin de Leener, bem como aos instrutores e mentores Karim Jerbi, Elizabeth DuPre, Ross Markello, Peer Herholz, Samuel Guay, Valerie Hayot -Sasson, Greg Kiar, Jake Vogel e Agâh Karakuzu.

Graças a todos vocês, esta escola foi uma experiência de aprendizado incrível!

Comparação de modelos preditivos baseados em conectoma funcional para fMRI de estado de repouso (para inspiração do estimador de classificação) https://hal.inria.fr/hal-01824205

Artigos científicos:

Anderson, J. S., Patel, V. B., Preedy, V. R., & amp Martin, C. R. (2014). Hipótese de subconectividade cortical no autismo: evidências da conectividade funcional por ressonância magnética. Comprehensive Guide to Autism, 1457, 1471.

Nielsen, J. A., Zielinski, B. A., Fletcher, P. T., Alexander, A. L., Lange, N., Bigler, E. D.,. & amp Anderson, J. S. (2013). Conectividade funcional multisite Classificação de ressonância magnética de autismo: resultados ABIDE. Frontiers in Human Neuroscience, 7, 599.


AMA Journal of Ethics

Diagnóstico psiquiátrico e imagens cerebrais

A revolução biológica na psiquiatria, que começou na década de 1960, transformou tão profundamente o campo que a frase “psiquiatria biológica” agora parece redundante. Existe uma vasta literatura sobre os correlatos biológicos de doenças psiquiátricas, incluindo milhares de estudos de pesquisa publicados usando métodos de neuroimagem funcional, como SPECT, PET e fMRI. Além disso, a maior parte do tratamento psiquiátrico é biológico, pois afeta diretamente o cérebro por meio de medicação, estimulação ou cirurgia. Mesmo as “terapias de fala” são agora entendidas como alterando o cérebro de maneiras que foram visualizadas por neuroimagem [1].

Diagnoses na psiquiatria, entretanto, são baseados inteiramente em critérios comportamentais, não biológicos [2]. A depressão é diagnosticada perguntando aos pacientes como eles se sentem e se seu sono, alimentação e outros comportamentos mudaram. O transtorno de déficit de atenção e hiperatividade (TDAH) é diagnosticado perguntando ao paciente, membros da família e outras pessoas sobre a tendência do paciente de se distrair, agir impulsivamente e assim por diante. Para essas e todas as outras doenças psiquiátricas descritas pelo Manual Diagnóstico e Estatístico da American Psychiatric Association, os resultados de imagens do cérebro não aparecem entre os critérios de diagnóstico. Além de seu uso para descartar possíveis causas físicas da condição de um paciente, por exemplo, um tumor cerebral, a neuroimagem não é usada no processo de diagnóstico psiquiátrico.

Neste artigo, revisamos o estado atual das imagens cerebrais para o diagnóstico psiquiátrico. Entre as questões a serem abordadas estão: por que a neuroimagem diagnóstica ainda não encontrou lugar na prática psiquiátrica? Quais são suas perspectivas de curto e longo prazo? Que obstáculos bloqueiam o uso de tais métodos? As respostas a essas perguntas envolvem a natureza dos estudos de imagem e do diagnóstico psiquiátrico.

Sensibilidade, especificidade e padronização em imagens psiquiátricas do cérebro. A grande maioria dos estudos de neuroimagem psiquiátrica agrega dados de grupos de indivíduos para análise, enquanto o diagnóstico deve ser feito para indivíduos, não grupos. Estudos estruturais e funcionais revelam um alto grau de variabilidade dentro de grupos de indivíduos saudáveis ​​e doentes, frequentemente com considerável sobreposição entre as distribuições dos dois grupos [3]. Na linguagem dos testes de diagnóstico, os estudos de imagem geralmente não são altamente confidencial à diferença entre doença e saúde.

Outra limitação atual diz respeito ao especificidade de candidatos a marcadores de diagnóstico de imagem. A maioria dos estudos de imagem psiquiátrica envolve indivíduos de apenas duas categorias - pacientes de uma única categoria de diagnóstico e pessoas sem qualquer diagnóstico psiquiátrico. O máximo que pode ser aprendido com esse estudo é como a ativação do cérebro em pessoas com um determinado transtorno difere da ativação do cérebro em pessoas sem transtorno. O dilema enfrentado por um clínico que faz o diagnóstico, por outro lado, raramente é "Esta pessoa tem transtorno X ou ela é saudável?" Em vez disso, é normalmente "Esta pessoa tem distúrbio X, Y ou Z?" O padrão que distingue pessoas com transtorno X de pessoas saudáveis ​​pode não ser exclusivo de X, mas compartilhado com todo um alfabeto de outros transtornos.

Na verdade, existe uma semelhança considerável nas anormalidades observadas na ativação do cérebro em diferentes diagnósticos. Uma meta-análise de estudos de neuroimagem de transtornos de ansiedade relatou áreas comuns de ativação (amígdala, ínsula) em transtorno de estresse pós-traumático, fobia social e fobia específica - sugerindo que a neuroimagem ainda não revelou padrões de atividade neural exclusivos de transtornos de ansiedade específicos [4]. Anormalidades de ativação da amígdala também foram relatadas consistentemente em estudos de neuroimagem de depressão [5], transtorno bipolar [6], esquizofrenia (um transtorno primariamente do pensamento em vez de humor) [7] e psicopatia (que compartilha características com a DSM diagnóstico de transtorno de personalidade anti-social) [8].

Métodos mais sofisticados de análise de imagem podem ser promissores para discernir as diferenças subjacentes entre os muitos distúrbios que apresentam anormalidades regionais semelhantes, incluindo os “suspeitos usuais”, hiperatividade límbica e hipoatividade pré-frontal. Além disso, novas abordagens estatísticas multivariadas para análise de imagens tornam possível descobrir padrões espaciais e temporais que correspondem ao desempenho de tarefas específicas e diagnósticos específicos [9]. Esses métodos apenas começaram a ser aplicados a distúrbios clínicos, mas mostram-se promissores para aumentar a especificidade dos marcadores de imagem cerebral para doenças psiquiátricas [10, 11].

estandardização é relevante à luz das muitas maneiras em que os protocolos diferem de estudo para estudo, particularmente entre estudos de imagens funcionais. Os padrões de ativação obtidos em estudos de pacientes psiquiátricos dependem fortemente das tarefas realizadas pelos sujeitos e das comparações estatísticas examinadas pelos pesquisadores posteriormente. Embora os resultados da pesquisa de imagens psiquiátricas sejam frequentemente resumidos afirmando que certas regiões estão sub ou superativas ou mais ou menos funcionalmente conectadas, tais resumos são fundamentalmente incompletos, a menos que incluam informações sobre qual tarefa evocou a ativação em questão: os pacientes estavam descansando, processando estímulos emocionais, tentando não processar estímulos emocionais ou empenhado em cognição difícil? O fato de que as conclusões de qualquer estudo de imagem são relativas às tarefas executadas adiciona ainda mais complexidade ao problema de buscar padrões de ativação consistentemente discriminantes para indivíduos saudáveis ​​e doentes.

Confiabilidade e validade das categorias diagnósticas atuais. Outras razões pelas quais o progresso em direção ao diagnóstico por imagem em psiquiatria tem sido lento derivam da natureza das próprias categorias diagnósticas. As categorias do DSM pretendem ser ambos de confiança e válido. Ou seja, eles devem ser utilizados de maneiras consistentes por qualquer clínico devidamente treinado, de modo que diferentes diagnosticadores cheguem ao mesmo diagnóstico para cada paciente (confiabilidade) e para corresponder às verdadeiras categorias de doenças psiquiátricas encontradas na população, ou seja, , para refletir as semelhanças psicológicas e biológicas subjacentes e as diferenças entre os diferentes transtornos (validade). Boa, ou pelo menos melhorada, confiabilidade foi uma das conquistas de sinal do DSM-III, e foi transportado para DSM-IV. Infelizmente, a validade continua sendo mais difícil de alcançar.

Para ilustrar o quão longe de ser necessariamente válidas estão as nossas categorias diagnósticas atuais, considere os critérios para uma das condições psiquiátricas sérias mais comuns, o transtorno depressivo maior. De acordo com DSM-IV-TR, os pacientes devem relatar humor deprimido ou anedonia e pelo menos quatro dos oito sintomas adicionais. Portanto, é possível que dois pacientes que não compartilham um único sintoma recebam um diagnóstico de transtorno depressivo maior. Existem também semelhanças de sintomas entre as categorias. Por exemplo, impulsividade, labilidade emocional e dificuldade de concentração ocorrem em mais de um transtorno. Na medida em que nossas categorias psiquiátricas não correspondem aos “tipos naturais”, provavelmente não devemos esperar correspondência com a fisiologia do cérebro revelada por imagens. Tomados em conjunto, o fato de que (a) diferentes exemplares de uma categoria não podem compartilhar nenhum sintoma e (b) exemplares de duas categorias diferentes podem compartilhar sintomas comuns levanta questões sobre a validade das categorias diagnósticas atuais.

O presente e o futuro do diagnóstico por imagem cerebral em psiquiatria

Uma minoria desafiadora agora usa imagens do cérebro para diagnóstico psiquiátrico. Apesar dos desafios que acabamos de analisar, um pequeno número de psiquiatras oferece neuroimagem diagnóstica para pacientes em suas clínicas. O método de imagem usado é a tomografia computadorizada por emissão de fóton único (SPECT), que mede o fluxo sanguíneo cerebral regional por meio da detecção de um traçador de emissão gama no sangue. A mais conhecida dessas clínicas são as quatro Clínicas Amen, fundadas pelo psiquiatra e autor de autoajuda Daniel Amen. Outros incluem Clements Clinic, Cerescan, Pathfinder Brain SPECT e Dr. Spect Scan. O uso de imagens cerebrais parece ser um ponto de venda para essas clínicas. Seus sites geralmente apresentam imagens cerebrais com destaque e os nomes das três últimas não deixam dúvidas sobre a ênfase que dão à imagem.

Essas clínicas prometem diagnosticar e tratar uma ampla gama de distúrbios psiquiátricos em crianças e adultos com base na história e no exame do paciente, juntamente com os resultados dos exames SPECT. As Clínicas Amen usam um sistema de diagnóstico que não corresponde às categorias de diagnóstico padrão definidas pela American Psychiatric Association’s Manual Diagnóstico e Estatístico. Por exemplo, ansiedade e depressão são combinadas em uma única categoria superordenada e então divididas em 7 subtipos com nomes como “ansiedade e depressão do lobo temporal” e “ansiedade e depressão excessivamente focadas” [12]. O transtorno de déficit de atenção e hiperatividade também é reconceitualizado como tendo 6 subtipos, com nomes como “DDA límbico” e “DDA em anel de fogo” [13].

O site da Amen Clinics afirma que eles realizaram quase 50.000 varreduras [14], um grande número que, combinado com dados clínicos associados, incluindo resultados, pode fornecer evidências importantes sobre o valor da varredura de SPECT no diagnóstico e a eficácia da abordagem de Amen para tratamento psiquiátrico . Infelizmente, nenhum desses estudos foi relatado. A falta de validação empírica levou muitos a condenar o uso de SPECT diagnóstico como prematuro e não comprovado [15-18].

Por que as pessoas pagam por um teste diagnóstico não comprovado, até mesmo duvidoso? As imagens cerebrais têm um fascínio de alta tecnologia que sugere cuidados médicos avançados. As pessoas podem presumir que os tratamentos disponíveis nessas clínicas, assim como os métodos diagnósticos, são de última geração. Além disso, existe um forte apelo à ideia de que a imagem pode fornecer uma prova visual de que os problemas psicológicos têm uma causa física. A Amen Clinics cita várias maneiras pelas quais os pacientes e suas famílias podem achar essas evidências úteis, incluindo a redução do estigma e da culpa [14]. Obviamente, essas considerações não abordam a questão de saber se o diagnóstico é melhorado pelo uso de varreduras SPECT.

Neuroimagem diagnóstica: perspectivas para o futuro de curto e longo prazo. Poucos acreditam que as imagens cerebrais irão desempenhar um papel no diagnóstico psiquiátrico tão cedo. O próximo DSM-5, esperado em maio de 2013, incluirá referência a uma variedade de biomarcadores para doenças psiquiátricas, incluindo aqueles visíveis por imagens cerebrais, mas seu papel deve ser na validação das próprias categorias, e não nos critérios para diagnosticar um paciente individual [19].

A longo prazo, há motivos para otimismo quanto à contribuição da imagem cerebral para o diagnóstico psiquiátrico. Isso pode acontecer primeiro para o diagnóstico diferencial, particularmente para distinções diagnósticas que são difíceis de fazer com base apenas em observações comportamentais. Em tais casos, padrões potencialmente distintos de ativação cerebral identificados por meio de imagens serão especialmente úteis. Por exemplo, Brotman et al. estudaram os padrões de ativação cerebral evocados na realização de várias tarefas com imagens de rostos e encontraram diferenças entre as respostas neurais de crianças com diagnóstico de desregulação grave do humor e aquelas com TDAH ou transtorno bipolar [20]. Eles e outros [21] sugerem que este achado pode fornecer a base para o desenvolvimento futuro do diagnóstico por imagem.

A imagem diagnóstica em psiquiatria poderia emergir da pesquisa básica em psicopatologia, como no exemplo que acabamos de citar. Alternativamente, a abordagem estatística multivariada relativamente ateórica mencionada anteriormente poderia fornecer as primeiras assinaturas neurais candidatas para transtornos psiquiátricos. Qualquer que seja o método em que as assinaturas neurais candidatas sejam identificadas, serão necessários ensaios de validação em larga escala antes que eles possam entrar no uso clínico de rotina. Este processo promete ser demorado e caro e poderia facilmente preencher o intervalo entre duas ou mais edições do DSM.

Coevolução de métodos de diagnóstico e categorias de diagnóstico. Quer o caminho para o diagnóstico por imagem envolva a tradução de mecanismos recentemente descobertos de fisiopatologia, esmagamento de números por força bruta ou ambos, não podemos presumir que isso preservará a nosologia atual. De fato, dada a sobreposição dos achados de imagem entre as categorias diagnósticas e a heterogeneidade dentro das categorias mencionadas anteriormente, parece provável que a ampla incorporação da imagem aos critérios diagnósticos forçará nossa nosologia a mudar. Se a incompatibilidade entre os marcadores de imagem e as categorias de diagnóstico não for drástica, o DSM as categorias podem mudar gradativamente, por exemplo, por revisões de critérios diagnósticos individuais para distúrbios específicos. No entanto, se a imagem do cérebro revelar um padrão radicalmente diferente de "tipos naturais" e se for comprovado que esses tipos têm utilidade clínica (por exemplo, permitindo melhores decisões de tratamento), a imagem pode levar a uma reconceitualização radical do diagnóstico psiquiátrico e categorias diagnósticas inteiramente novas pode surgir.

Existem, no entanto, argumentos fortes para o conservadorismo. O sistema atual de categorias diagnósticas é valioso em parte simplesmente porque o usamos por muito tempo e, portanto, muito de nosso conhecimento clínico é definido em relação a esse sistema. DSM os diagnósticos mudaram até agora de maneira gradual e fragmentada por meio de várias edições do manual, com a maioria dos transtornos mantendo seus critérios de definição e apenas uma minoria sendo subdividida, fundida, adicionada e eliminada à luz de novas descobertas de pesquisa. De acordo com essa abordagem, a influência futura das imagens cerebrais no diagnóstico psiquiátrico provavelmente será mais evolucionária do que revolucionária.

Uma tentativa de reconciliar a necessidade de consistência com a promessa de classificações mais baseadas em neurobiologia pode ser encontrada nos Critérios de Domínio de Pesquisa (RDoC) para pesquisa em psiquiatria proposta pelo Instituto Nacional de Saúde Mental dos EUA. Esta é “uma estrutura de longo prazo para pesquisa ... [com] classificações baseadas em genômica e neurociência, bem como observação clínica, com o objetivo de melhorar os resultados do tratamento” [22]. O sistema RDoC, ainda em construção no momento da escrita [23], deve ser usado, em paralelo com as categorias do DSM, para pesquisas que podem levar a categorias diagnósticas mais válidas, que também podem ser mais consistentes com o uso de imagem como um teste de diagnóstico.

Conclusões

As imagens cerebrais provavelmente entrarão em uso clínico em outras funções antes de servir como um teste de diagnóstico de laboratório. Por exemplo, a imagem já orientou pesquisadores clínicos no desenvolvimento de novas terapias [24] e na customização da terapia para pacientes individuais [25], ela se mostra promissora como um preditor de vulnerabilidade [26] e resposta ao tratamento [27] e tem até tem sido usado como uma terapia própria [28].

Embora alguns médicos insistem que agora são capazes de usar imagens do cérebro para diagnóstico psiquiátrico, não há atualmente nenhuma evidência confiável que apóie essa visão. Ao contrário, há muitas razões para duvidar que a imagem tenha um papel no diagnóstico psiquiátrico em um futuro próximo. Como argumentado aqui, muitas pesquisas de imagens psiquiátricas ainda precisam ser feitas para atingir a sensibilidade, especificidade e padronização dos protocolos de imagem.

Além disso, a natureza do diagnóstico psiquiátrico atual pode nem mesmo corresponder às categorias de disfunção cerebral que a imagem revela. Finalmente, o valor prático de manter a continuidade nas classificações diagnósticas requer uma abordagem cautelosa e incremental para redesenhar as classificações diagnósticas com base na pesquisa de imagens.


Stephan F. Taylor

STEPHAN F. TAYLOR é professor de psiquiatria e presidente associado de Assuntos Regulatórios de Pesquisa e Pesquisa no Departamento de Psiquiatria e professor adjunto de psicologia.

Seu trabalho usa mapeamento e estimulação cerebral para estudar e tratar distúrbios mentais graves, como psicose, depressão refratária e transtorno obsessivo-compulsivo. Área de técnicas de ciência de dados aplicada na análise de conjuntos de dados de ressonância magnética funcional de alta dimensão e redes cerebrais de mesoescala, usando técnicas supervisionadas e não supervisionadas para interrogar correlações cérebro-comportamento relevantes para condições psicopatológicas. O trabalho de tradução clínica com estimulação cerebral, principalmente com estimulação magnética transcraniana, é informado pelo mapeamento de redes de mesoescala para orientar o tratamento de condições como a depressão. Trabalhos futuros buscam usar o aprendizado de máquina para identificar preditores de tratamento e combinar pacientes individuais com tratamentos específicos.


Assista o vídeo: Tecnologia é commodity, a diferença são as pessoas (Dezembro 2021).