Tarefas Motora e Auditiva

Introduzimos um novo método para a análise exploratória de dados fMRI em sujeitos assintomáticos e pacientes, baseado no cálculo da distância de Kullback- Leibler generalizada (Cabella et al., 2009). O principal objetivo foi usar a informação das amplitudes da resposta BOLD de processos neurofisiológicos relacionados a uma seqüência de estimulação ou atividade epileptiforme para mapear as áreas cuja atividade neuronal foi modulada. É importante enfatizar que essa abordagem não utiliza um modelo da HRF para fazer inferências sobre a resposta BOLD, o qual é diferente da proposta utilizada classicamente. Essa característica é bastante desejável considerando que a variabilidade da resposta

BOLD tem sido verificada tanto em sujeitos assintomáticos (Aguirre et al., 1998, Miezin et al. 2000, Handweker et al., 2004, Huttel et al., 2001) como em casos de pacientes em que se espera maior variabilidade da resposta (Benar et al., 2002, Jacobs et al., 2008, Kang et al., 2003, Masterton et al., 2010; Mazzzetto-Betti et al., 2010). Com relação ao método original (Cabella et al., 2009), o método dKLg proposto nesta tese apresenta duas inovações: estimação dos efeitos determinados experimentalmente para protocolos não-periódicos; e inferência da ativação estatisticamente significativa por testes de permutação de fase.

Em um primeiro momento, a utilidade desse método foi ilustrada em dados de fMRI de experimentos para mapear sinais BOLD em resposta à execução de tarefas motora e auditiva em sujeitos assintomáticos. As áreas moduladas no processamento da tarefa motora foram consistentes com aquelas reportadas na literatura, incluindo áreas localizadas no giro pré-central como a BA 4 e 6, no giro pós-central como a BA 1, 2, e 3. Da mesma maneira durante a tarefa auditiva os dados foram consistentes aos achados da literatura, e mapearam estruturas no lobo temporal (BA 41, 42 e 21). Estas áreas já são classicamente descritas e estão envolvidas no processamento da atividade motora e auditiva (Machado, 2006). Os mapas detectados foram consistentes em todos os sujeitos submetidos aos experimentos.

Para verificar diferenças mapeadas entre o método dKLg e GLM, calculamos a média do número de voxels de todos os sujeitos nas principais áreas de Brodmann envolvidas em cada tarefa. Não houve diferença significativa em relação ao número de voxels entre os métodos. Embora a média do número de voxels em algumas áreas de Brodmann mostraram-se maiores quando mapeadas pelo método dKLg, na maioria das vezes o poder de detecção do GLM foi maior. Isso se deve em grande parte à eficiência inquestionável do GLM quando a resposta BOLD medida segue o modelo previamente estabelecido. Isso foi demonstrado com dados simulados quando diferentes SNRs foram aplicados (veja figura 20). Além disso, foi demonstrado que a média das respostas BOLD detectadas indicam pouca variabilidade com relação ao modelo da HRF utilizado como preditor no GLM (Figura 24). Cabe notar que o fato do dKLg ter detectado menos voxels que o GLM

não implica em diferença significativas em termos de detecção, tendo em vista que ambos os métodos foram igualmente precisos em identificar as principais regiões envolvidas no processamento de funções primárias.

Outro ponto importante diz respeito ao fato que as séries temporais de fMRI podem conter autocorrelação (Figura 16). A autocorrelação temporal entre as imagens pode levar à estimativa distorcida dos termos de erro (no caso do GLM), que se propagam ao longo da análise, levando ao cálculo tendencioso para o valor da estatística final calculada. A inferência realizada no método GLM é baseado na distribuição de densidade de probabilidade teórica, a qual admite que os eventos sejam independentes e identicamente distribuídos. Para que isso ocorra, vários métodos têm sido propostos (Bullmore et al., 1996, 2001, Marchini et al., 2003, Purdon & Weisskoff, 1998, Woolrich et al., 2001, Waldorp, 2009). Neste trabalho utilizamos o método elaborado por Bullmore et al. (1996) que propõe estimar o parâmetro autoregressivo AR(1) e efetuar a subtração nos erros residuais. Esse método pode não ser eficiente quando a autocorrelação atinge ordens superiores podendo subestimar os termos de erro. Este viés na estimativa dos erros pode levar a coeficientes de testes falsamente elevados e à atribuição equivocada da significância estatística. Em outras palavras, a taxa de falsos positivos pode ser demasiadamente alta se as suposições da pdf são violadas. Dessa forma, estimar a

pdf considerando a estrutura de autocorrelação é um aspecto importante a ser levado em consideração quando outras estratégias de análise são comparadas ao GLM.

Para realizar a inferência das médias das distâncias de Kullback-Leibler e preservar a estrutura de autocorrelação das séries temporais de fMRI, utilizamos o método de permutação de fase (Lahiri, 2003). Dentre as formas de estimação da pdf, os métodos de permutação apresentam o melhor custo benefício (Bullmore et al., 1996). Como observado, esse método manteve a estrutura de correlação e possibilitou gerar a pdf do método dKLg para inferir os p-valores de forma apropriada.

Uma vez demonstrado o potencial uso do método no estudo de tarefas clássicas em sujeitos assintomáticos, em que a resposta BOLD é sempre mais

previsível, aplicamos o método dKLg em pacientes, e compará-lo, novamente, ao GLM. Em um primeiro momento, buscamos avaliar a detecção da resposta hemodinâmica em pacientes com doenças cerebrovasculares, principalmente aqueles com obstruções unilaterais, comparando a resposta do hemisfério comprometido com a do hemisfério normal.

Os dois pacientes selecionados executaram a tarefa auditiva com objetivo de se mapear o córtex auditivo primário em ambos os hemisférios cerebrais. É de conhecimento que o córtex auditivo primário tem seu território arterial suprido pela artéria cerebral média (ACM) e que a presença de estenose da artéria carótida interna (ACI) pode comprometer a dinâmica do fluxo sanguíneo cerebral. Nesses casos a preservação do fluxo colateral é um mecanismo importante para corrigir tal deficiência.

A análise clássica com o método GLM, e com o método dKLg usando janela

W1 otimizada para uma resposta linear mostraram diminuição evidente no padrão

de detecção da resposta no córtex auditivo primário ipsilateral à estenose. Outros estudos também já haviam encontrado assimetria hemisférica, quando analisados com o GLM (Bilacen et al., 2002; Hamzei et al., 2003; Haller et al., 2008). Nesses estudos, a redução ou ausência de sinal reportados foram interpretados como sendo resultado da redução do fluxo sanguíneo cerebral regional, o que promoveria diminuição da intensidade do sinal BOLD. O método GLM, portanto, pode ter seu poder estatístico comprometido quando a resposta BOLD difere do modelo a priori

utilizado, em particular no que diz respeito à fase do sinal.

Para realizar essa avaliação, mapas de dKLg foram gerados com uma janela

W1 = 18 s. Em dados simulados, a utilização de uma janela maior resultou em maior

poder de detecção com relação ao atraso e largura da resposta, embora o poder estatístico tenha diminuído para respostas lineares (Figura 21). Como resultado dessa análise, foi possível observar que, na realidade, não houve diferenças importantes quanto a simetria das respostas, mas um aumento significativo do tempo do início e largura da resposta nos hemisférios ipsilaterias a estenose. Esses achados explicam o motivo pelo qual o método GLM não foi capaz de detectar áreas no córtex cerebral comprometido. A diminuição da sensibilidade é explicada pela

utilização de um modelo a priori, que apesar de ser eficiente em condições normais, pode não ser o método mais indicado para situações que envolvem alterações na forma da resposta, aumentando as taxas de falso-negativos (Benar et al., 2002; Carusone et al., 2002; Masterton et al., 2010). Por outro lado, o dKLg foi capaz de reverter a ausência de sinal e detectou a resposta atrasada no hemisfério ipsilateral à estenose (Figura 26).

A suposição principal com relação à origem do atraso da resposta pode ser resultado da diminuição da reserva cerebrovascular. Se os vasos estiverem previamente dilatados, para que a resposta hemodinâmica ocorra é necessário maior aporte dos vasos colaterais, repercutindo nas características temporais da resposta (Carusone et al., 2002; Hamzei et al., 2003). Além da estenose severa da ACI direita, o exame de angiorressonância do paciente #1 mostrou um estreitamento da artéria cerebral anterior (ACA) direita, ausência da artéria comunicante posterior (ACoP) direita e hipoplasia da ACoP esquerda, comprometendo a circulação colateral. Isso significa que além da diminuição do fluxo causado pela estenose severa da ACI direita, o fluxo colateral não pode suprir as regiões mais afetadas. O paciente #2 apresentou trombose da ACI esquerda e a análise de angioressonância verificou ausência da ACoP esquerda. A presença da trombose gera hipofluxo grave, e é provável que o fluxo colateral anterior via Polígono Arterial Cerebral (Polígono de Willis) e vias colaterais secundárias não sejam suficientes para suprir toda a região comprometida pela ACI, diminuindo a reserva cerebrovascular (Schomer et al., 1994). A presença de obstruções nas ACIs, e o comprometimento da eficiência do fluxo colateral são fatores importantes na patogênese das lesões isquêmicas (Powers, 1991; Van Evendinger et al., 1998). Além disso, essas evidências podem ser as causas de uma reserva cerebrovascular esgotada e corroboram com os achados nesse trabalho.

A principal limitação do método dKLg é que a distância de Kullback-Leibler é uma medida não negativa, fornecendo apenas valores positivos. Além disso, a otimização do método foi realizada para detectar resposta BOLD positiva. Dessa forma, o método não é apropriado para detectar respostas BOLD negativas e por esse motivo restringimos nossa análise apenas para respostas positivas. A principal

diferença entre os achados obtidos usando dKLg e GLM clássico foi que o método dKLg apresentou maior flexibilidade e maior detecção de voxels que não seguem o modelo canônico da HRF.

A análise baseada no GLM corresponde à abordagem mais popular para o mapeamento de fMRI. Porém, exibe alta dependência no modelo selecionado a priori. Tanto o GLM como o dKLg focam na detecção da resposta BOLD controlando a probabilidade de falsos positivos, mas diferem na forma que eles usam a informação. O GLM está focado sobre a detecção com máximo poder estatístico de todas as respostas BOLD que seguem o modelo preditivo. O método dKLg tem como objetivo localizar todas as respostas BOLD cuja probabilidade difere da linha de base sem fazer suposição sobre a forma da resposta. Essa característica permite explorar os dados considerando a variabilidade da HRF, principalmente com relação ao atraso da resposta. Mostramos que o método pode identificar respostas motoras e auditivas em dados reais usando tarefas em ER e bloco. O método originalmente proposto não havia mostrado resultados em dados reais utilizando o protocolo em bloco (Cabella et al., 2009).

Assim, os resultados mostram que o GLM e dKLg são complementares, uma vez que usam a informação de forma diferente, fornecendo melhor descrição na análise exploratória de dados fMRI. Adicionalmente, analisando os mapas gerados por ambos os métodos, observamos regiões melhores detectadas pelo método GLM e outras pelo método dKLg.