Soggetto

Rapporti scientifici volume 13, numero articolo: 12615 (2023) Citare questo articolo

73 Accessi

Dettagli sulle metriche

La stimolazione magnetica transcranica ripetitiva (rTMS) ha acquisito notevole importanza nel trattamento dei disturbi neuropsichiatrici, inclusa la depressione maggiore. Tuttavia, non è ancora chiaro come la rTMS alteri la connettività funzionale del cervello. Qui riportiamo i cambiamenti nella connettività funzionale catturati dalla risonanza magnetica funzionale a riposo (rsfMRI) entro la prima ora dopo rTMS a 10 Hz. Applichiamo schemi di parcellizzazione specifici per soggetto per rilevare i cambiamenti (1) nei nodi della rete, dove si osserva la connettività funzionale più forte delle regioni, e (2) nei confini della rete, dove si verificano le transizioni funzionali tra le regioni. Utilizziamo Support Vector Machine (SVM), un algoritmo di apprendimento automatico ampiamente utilizzato, robusto ed efficace, per la classificazione e la caratterizzazione degli intervalli di tempo dei cambiamenti nelle mappe dei nodi e dei confini. I nostri risultati rivelano che i cambiamenti nella connettività ai confini sono più lenti e più complessi rispetto a quelli osservati nei nodi, ma di entità simile secondo gli intervalli di confidenza dell’accuratezza. Questi risultati sono stati più forti nella corteccia cingolata posteriore e nel precuneo. Poiché i confini della rete sono effettivamente sotto-investigati rispetto ai nodi nella ricerca sulla connettomica, i nostri risultati evidenziano il loro contributo agli aggiustamenti funzionali della rTMS.

La stimolazione magnetica transcranica ripetitiva (rTMS) è diventata un metodo popolare per la modulazione non invasiva della funzione cerebrale1. Recenti studi di neuroimaging hanno dimostrato che i cambiamenti funzionali indotti dalla rTMS in una regione corticale localizzata portano a una modulazione selettiva e distinta dell'attività e della connettività funzionale sia all'interno che tra reti cerebrali su larga scala2,3,4,5,6,7. I meccanismi mediante i quali la rTMS induce modulazioni di rete non sono ancora ben compresi. Oggi, la mappatura degli effetti sull’intero cervello causati dalle perturbazioni neurali locali, inclusa la rTMS, è un campo di ricerca in crescita. Metodi consolidati consentono ora la valutazione degli aggiustamenti funzionali a livello di connettoma alla rTMS ad alta frequenza sia nelle mappe dei nodi che dei confini in intervalli di tempo sequenziali8,9.

I dati di risonanza magnetica funzionale (fMRI) ottenuti mentre i partecipanti non sono impegnati in alcun compito specifico sono chiamati fMRI in stato di riposo (rsfMRI). La RsfMRI è stata determinante per far progredire la nostra comprensione dell'architettura macroscopica della rete funzionale del cervello10,11,12 e di quali regioni potrebbero essere maggiormente alterate dal punto di vista funzionale nei disturbi psichiatrici13,14. Tuttavia, i dati fMRI consistono tipicamente in corsi temporali funzionali in migliaia di voxel, che da un lato consentono un’accurata inferenza di correlazioni o “connettività funzionali” tra regioni, ma dall’altro hanno un’elevata dimensionalità. Sono stati proposti diversi approcci per ridurre la dimensionalità dei dati e per identificare i modelli più rilevanti di organizzazione spaziotemporale nei dati fMRI. Questo è il caso delle regioni funzionali dell'intero cervello che saranno rappresentate nel nostro studio come nodi15 e confini8,16,17. I nodi sono definiti come la più grande forza della connettività locale o globale, noti anche come concetti di modularità e integrazione rispettivamente, che hanno consentito molte intuizioni sull'organizzazione dimensionale del cervello sano e malato18. I confini sono le controparti dei nodi, identificati dove la forza di connettività è minima o assente, solitamente nella transizione tra regioni funzionali vicine16. In contrasto con l'indagine sui confini, la comunità scientifica ha dedicato un'attenzione sproporzionata ai nodi delle reti funzionali. Negli approcci di clustering dei nodi, gli elementi spaziotemporali (cioè i voxel) possono essere raggruppati sulla base della somiglianza rispetto alla dissomiglianza della loro connettività funzionale15. Un esempio di approccio di clustering dei nodi è l'analisi delle componenti indipendenti (ICA), che viene utilizzata come metodo di mappatura del cervello che separa in modo efficiente i componenti funzionali in base alla loro corrispondente distribuzione spaziotemporale19. L'ICA è stata ampiamente applicata all'identificazione di reti cerebrali su larga scala5,20,21.