Modelo bayesiano para la armonización de imágenes de resonancia magnética: Evaluación y aplicaciones clínicas
Cargando...
Autores
Director
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La armonización de imágenes de resonancia magnética (RM) es un paso fundamental para integrar datos adquiridos en múltiples centros y protocolos, reduciendo la variabilidad técnica sin comprometer la información biológicamente relevante. En estudios multicéntricos, los efectos de sitio pueden ser comparables en magnitud a las diferencias asociadas a la enfermedad, afectando la reproducibilidad y la validez de los análisis. Aunque métodos como textit{ComBat} han demostrado ser efectivos para reducir estos efectos, persisten desafíos relacionados con la preservación de la señal clínica, la evaluación objetiva del desempeño de la armonización y la incorporación de nuevas observaciones de manera coherente.
En este trabajo se desarrolla y evalúa un marco metodológico basado en modelos normativos de regresión bayesiana jerárquica para la armonización de imágenes de RM estructural. A diferencia de los enfoques clásicos, el modelo incorpora el efecto de sitio como parte de la estructura jerárquica, permitiendo obtener puntuaciones estandarizadas (z-scores) comparables entre centros mediante mecanismos de partial pooling. Asimismo, se propone un marco de evaluación que combina métricas de remoción del efecto de sitio, preservación de señal biológica y desempeño clínico.
La metodología fue validada mediante estudios de simulación multicéntrica y posteriormente aplicada a un conjunto de datos reales de RM estructural. Los resultados mostraron que los modelos jerárquicos presentan mayor robustez y calibración que un modelo de complete pooling, con baja sensibilidad a la especificación de los priors. En datos reales, el modelo logró un equilibrio favorable entre la reducción del efecto de sitio y la preservación de la capacidad discriminativa para enfermedad de Alzheimer y enfermedad de Parkinson, superando este compromiso frente a estrategias tradicionales de armonización.
En conjunto, esta investigación proporciona un marco estadísticamente sólido, interpretable y extensible para la armonización de neuroimagen multicéntrica, contribuyendo a mejorar la reproducibilidad de estudios colaborativos y sentando bases para su aplicación en entornos clínicos y arquitecturas federadas de análisis. (Texto tomado de la fuente)
Abstract
Magnetic resonance imaging (MRI) harmonization is essential for integrating data acquired across multiple sites and imaging protocols while minimizing technical variability without compromising biologically meaningful information. In multicenter studies, site effects may be comparable in magnitude to disease-related differences, thereby affecting reproducibility and the validity of statistical analyses. Although methods such as ComBat have proven effective for reducing site effects, important challenges remain regarding the preservation of clinically relevant signal, the objective evaluation of harmonization performance, and the coherent incorporation of new observations.
This work develops and evaluates a methodological framework based on hierarchical Bayesian normative models for the harmonization of structural MRI data. Unlike conventional harmonization approaches, the proposed framework explicitly models site effects within a hierarchical structure, enabling the estimation of standardized deviation scores (z-scores) that are directly comparable across imaging centers through partial pooling. In addition, a comprehensive evaluation framework is proposed, integrating metrics of site-effect removal, biological signal preservation, and clinical classification performance.
The proposed methodology was validated through multicenter simulation studies and subsequently applied to a real-world structural MRI dataset. The results demonstrated that hierarchical Bayesian models provide improved robustness and calibration compared with a complete pooling approach while exhibiting low sensitivity to prior specification. In real data, the proposed framework achieved a favorable balance between mitigating site effects and preserving clinically relevant information, maintaining superior discriminative performance for Alzheimer’s disease and Parkinson’s disease relative to conventional harmonization strategies.
Overall, this research provides a statistically principled, interpretable, and extensible framework for multicenter neuroimaging harmonization. The proposed approach enhances the reproducibility of collaborative neuroimaging studies and establishes a methodological foundation for future deployment in clinical environments and federated data analysis infrastructures.
Descripción
ilustraciones