Ανάλυση δεδομένων νευροαπεικόνισης για τη μελέτη της υγιούς γνωστικής γήρανσης

Το Cambridge Center for Aging and Neuroscience (Cam-CAN) είναι ένα μεγάλης κλίμακας ερευνητικό project  που ξεκίνησε το 2010 με στόχο την έρευνα και κατανόηση  της υγιούς γνωστικής γήρανσης. Δηλαδή, πώς τα άτομα μπορούν να διατηρήσουν καλύτερα τις γνωστικές τους ικανότητες σε μεγάλη ηλικία. Το Cam-CAN είναι μια διεπιστημονική προσπάθεια στην οποία ερευνητές από τους τομείς της ψυχολογίας, της νευροεπιστήμης, της ψυχιατρικής, της μηχανικής και της δημόσιας υγείας, χρησιμοποιούν διάφορες τεχνικές απεικόνισης του εγκεφάλου, όπως η δομική και λειτουργική απεικόνιση μαγνητικού συντονισμού (MRI) και η μαγνητοεγκεφαλογραφία (MEG), για τη μέτρηση των ηλικιακών αλλαγών στη δομή και λειτουργία του εγκεφάλου. Η δομή του εγκεφάλου αλλάζει δραματικά καθώς γερνάμε, ωστόσο μερικοί άνθρωποι διατηρούν πολλές από τις γνωστικές τους ικανότητες, παρά τις αλλαγές αυτές.

Με σχεδόν 3000 συμμετέχοντες, ηλικίας 18 έως 88 ετών, προερχόμενους από ένα ευρύ φάσμα κοινωνικοοικονομικών υποβάθρων, το Cam-CAN είναι ένα από τα μεγαλύτερα projects του είδους στον κόσμο.

Τα δεδομένα συλλέγονται μέσω ερωτηματολογίων και αφορούν στο ιστορικό υγείας και τον τρόπο ζωής των συμμετεχόντων, καθώς και από γνωστικές εξετάσεις, ενώ για ένα υποσύνολο 700 ατόμων, λαμβάνονται δεδομένα απεικόνισης μαγνητικής τομογραφίας και MEG. Κάθε συμμετέχων παρέχει σχεδόν ένα gigabyte δεδομένων, με σχεδόν 1000 εικόνες MRI, με πάνω από 100.000 voxels και σήματα MEG,  που καταγράφονται κάθε χιλιοστό του δευτερολέπτου και για 30 λεπτά μέσω εκατοντάδων αισθητήρων.

Οι ερευνητές χρησιμοποιούν  το λογισμικό MATLAB® για την επεξεργασία των δεδομένων σε ένα σύμπλεγμα υπολογιστών υψηλής απόδοσης και εφαρμόζουν  προηγμένες τεχνικές στατιστικής, βελτιστοποίησης και μηχανικής μάθησης για την ερμηνεία των δεδομένων και την πραγματοποίηση ουσιαστικών ποσοτικών συγκρίσεων.

Για παράδειγμα, ορισμένοι ερευνητές χρησιμοποιούν το Statistics and Machine Learning Toolbox ™ προσπαθώντας  να προβλέψουν την ηλικία του κάθε συμμετέχοντα από μια μεγάλη ποικιλία δεδομένων του εγκεφάλου, προκειμένου να προσδιορίσουν ποια χαρακτηριστικά του εγκεφάλου είναι πιο σημαντικά για την πρόβλεψη της ηλικίας. Άλλοι ερευνητές χρησιμοποιούν τεχνικές πολλαπλής γραμμικής παλινδρόμησης (multivariable linear regression) και ανάλυσης ρύθμισης (moderation analysis) για να βρουν  ποιοι παράγοντες του τρόπου ζωής επιτρέπουν σε ορισμένα άτομα να διατηρήσουν τις γνωστικές τους ικανότητες έως τα βαθιά γεράματα, παρά τις δραματικές αλλαγές που συντελούνται στον εγκέφαλό τους (βλέπε εικόνα 1). Μελέτες έχουν δείξει πως δραστηριότητες όπως η εκπαίδευση, ο αθλητισμός, τα χόμπι, οι κοινωνικές δραστηριότητες κ.λπ.  βοηθούν τους ερευνητές στις προβλέψεις τους. 

Εικόνα 1. Δομικές εικόνες MRI που δείχνουν μια οριζόντια τομή μέσω του εγκεφάλου ενός υγιούς 19χρονου ατόμου (αριστερά) και ενός υγιούς ηλικιωμένου ατόμου 86 ετών (δεξιά). Οι σκοτεινές τρύπες (κοιλίες) στον εγκέφαλο του ηλικιωμένου είναι μεγαλύτερες επειδή η γκρίζα ύλη (περιελίξεις γύρω από την άκρη του εγκεφάλου) και η λευκή ύλη (εναπομένον ελαφρύτερο υλικό) έχουν συρρικνωθεί με την πάροδο των ετών.

 

Εικόνα 2. Σχεδιάγραμμα που δείχνει τη σχέση μεταξύ της γνωστικής ικανότητας και μιας δομικής MRI μέτρησης της υγείας του εγκεφάλου («συνολικός όγκος γκρίζας ύλης») σε ένα υποσύνολο συμμετεχόντων Cam-CAN άνω των 65 ετών. Κάθε συμμετέχων αντιστοιχεί σε μια κουκκίδα, με το χρώμα της κουκκίδας να δείχνει εάν είχε λάβει μέρος σε υψηλά (μπλε) ή χαμηλά (κόκκινα) επίπεδα δραστηριότητας στη μέση ηλικία.

ΠΗΓΗ: https://www.mathworks.com/solutions/neuroscience.html 

Παύλος Γκάσταρης