Los modelos de edad cerebral suelen evaluarse por su precisión de predicción, pero eso no basta para un biomarcador clínico: se necesita corrección del sesgo por edad, validez biológica, interpretabilidad y robustez frente a la transferencia entre muestras. En el archivo hay trabajos cercanos sobre mapas cerebrales de la edad, reorganización en la enfermedad de Alzheimer y neurointerfaces con geometría de Riemann, pero ninguno reúne todos esos requisitos en un mismo flujo de trabajo sobre una representación de grafo del conectoma. Este trabajo se sitúa en la corriente general de búsqueda de biomarcadores fiables del envejecimiento, pero se distingue por la sistematicidad de su verificación: separa la precisión de predicción de la interpretación biológica y además pone a prueba de forma explícita la transferibilidad entre cohortes.
Las imágenes de resonancia magnética de difusión de cuatro cohortes (ADNI, Duke/UNC ADRC, HABS-HD, AD-DECODE) se procesaron en conectomas: 84 regiones cerebrales se convirtieron en nodos del grafo, y las conexiones entre ellas en aristas con pesos según el número de tractos. Para cada cohorte se entrenó por separado una red neuronal de grafos con tres capas de paso de mensajes y teniendo en cuenta los pesos de las aristas. Se evaluaron cinco conjuntos de características: solo imágenes, imágenes más demografía, imágenes más biomarcadores, el conjunto completo y el completo sin variables cardiovasculares. Para una evaluación honesta se usó validación cruzada con agrupamiento por participante, de modo que las sesiones de una misma persona no cayeran a la vez en entrenamiento y en validación. Las predicciones brutas de edad se usaron para las métricas de precisión, y la brecha corregida por la tendencia de la edad (cBAG) para los análisis biológicos y longitudinales.
La precisión de predicción dependió de la cohorte más que del conjunto de características: el error absoluto medio fue de 4.70 años en HABS-HD a 9.75 años en AD-DECODE. La red neuronal de grafos no superó a los modelos clásicos (Ridge, ElasticNet, XGBoost) sobre las mismas características vectoriales, pero conservó la estructura de red para la interpretación. La brecha corregida cBAG se correlacionó de forma consistente con la reducción de la anisotropía fraccional de la sustancia blanca: en tres cohortes la relación con la FA hipocampal fue significativa (r de −0.15 a −0.44). En el análisis longitudinal de ADNI, un cBAG inicial más alto predecía una disminución posterior de la FA y de la eficiencia local (β hasta −0.285, q = 0.0016). La transferencia de modelos entre cohortes produjo errores enormes (MAE hasta 80.57 años), pero la recalibración lineal redujo la MAE externa mediana de 17.39 a 8.22 años, sin mejorar la correlación de rangos (se mantuvo en 0.171).
El trabajo muestra que la edad cerebral según el conectoma puede ser un biomarcador con sentido si se separa la precisión de predicción de la interpretación biológica. A diferencia de trabajos vecinos, que a menudo se limitan a la precisión o a una sola cohorte, aquí se verifican de forma sistemática la corrección del sesgo, la estabilidad longitudinal y la transferibilidad. La conclusión principal: el cBAG refleja ante todo la integridad de la sustancia blanca, no el estado cognitivo ni el riesgo genético, y su valor no está en clasificar la enfermedad, sino en seguir la trayectoria individual del envejecimiento.
El tema puede avanzar hacia la armonización de conectomas entre escáneres y protocolos, así como hacia métodos de adaptación de dominio para transferir modelos. Es prometedor combinar datos de varios centros en aprendizaje federado, para aumentar la diversidad de la muestra sin vulnerar la confidencialidad. Una vía aparte es comprobar la estabilidad de las atribuciones SHAP al reentrenar y con datos independientes, para entender qué conexiones son realmente importantes para el envejecimiento.
Los resultados influirán en el desarrollo de biomarcadores del envejecimiento para ensayos clínicos y neurociencia poblacional, donde se necesitan medidas robustas frente a cambios de equipamiento y de composición de los participantes. La metodología de evaluación de la transferibilidad y la calibración será útil en cualquier proyecto de aprendizaje automático con imágenes médicas.
El siguiente paso es entrenar un modelo con datos armonizados y combinados de varias cohortes y comprobar si mejora la transferibilidad externa. También conviene evaluar la estabilidad de las atribuciones SHAP con remuestreo bootstrap y en conjuntos independientes.
El trabajo se relaciona directamente con un problema no resuelto en neuroimagen: cómo distinguir la señal biológica real del envejecimiento de los artefactos de recogida de datos y de los sesgos sistemáticos del modelo. Se muestra que, incluso con una buena precisión interna, la transferencia a otra cohorte puede destruir por completo la capacidad predictiva, y que una sola recalibración no basta para recuperar las diferencias individuales. Esto plantea la pregunta de qué propiedades del conectoma son realmente transferibles entre poblaciones.
Al transferir un modelo entrenado con la cohorte AD-DECODE a otras cohortes, el error de predicción de la edad llegaba a 80 años, es decir, el modelo podía «envejecer» a una persona casi un siglo. Tras la recalibración lineal el error bajaba a 8 años, pero el orden de las personas por edad seguía sin recuperarse.
La idea de una edad biológica distinta de la cronológica resuena con la novela «La máquina del tiempo» de Herbert Wells, donde el tiempo fluye de forma desigual para distintos seres. Aquí el cerebro de cada persona envejece a su propio ritmo, y el modelo intenta captar esa trayectoria individual a partir de la estructura de las conexiones.
No publicado en arXiv. Aquí están su página, el PDF y la formalización: puede comprobarlo usted mismo, no solo leer nuestro análisis.