Explorando el Cerebro: Técnicas de Neuroimagen

El campo de la neurociencia cognitiva ha experimentado un desarrollo vertiginoso en las últimas dos décadas. Esta disciplina emergente fusiona la psicología cognitiva y la neurología, tradicionalmente separadas, para abordar las bases neurales de la cognición humana. Su impacto ha trascendido la psicología, extendiéndose a campos tan diversos como la antropología, la filosofía, la lingüística, la sociología y la economía. Un área de particular éxito y crecimiento ha sido la aplicación de técnicas de neuroimagen funcional al estudio de la toma de decisiones humana, dando lugar a un campo naciente llamado neuroeconomía.

Este artículo tiene como objetivo proporcionar una visión general de los avances recientes en las técnicas de neuroimagen y sus aplicaciones en el estudio de la toma de decisiones humana, ilustrando cómo estas herramientas están revolucionando nuestra comprensión de la mente.

Técnicas Avanzadas de Neuroimagen No Invasiva

Las técnicas de neuroimagen no invasiva, como el electroencefalograma (EEG) y la resonancia magnética funcional (fMRI), permiten a los investigadores observar directamente la actividad cerebral mientras los sujetos realizan diversas tareas perceptuales, motoras o cognitivas. Combinando estas técnicas con diseños experimentales sofisticados y métodos de análisis de datos avanzados, se pueden examinar las funciones de las regiones cerebrales y sus interacciones.

Electroencefalograma (EEG)

El EEG registra la actividad eléctrica del cerebro mediante electrodos colocados en el cuero cabelludo. Su característica más destacada es su altísima resolución temporal, medida en milisegundos. Es una medida directa de la respuesta neuronal, específicamente de los potenciales postsinápticos generados en las capas superficiales de la corteza.

Sin embargo, el EEG tiene varias limitaciones. En primer lugar, solo es sensible a la actividad de la corteza superficial y no a estructuras cerebrales profundas como el estriado o el hipocampo. Además, las corrientes tangenciales al cráneo apenas contribuyen a la señal de EEG. Su resolución espacial es muy baja, y es casi imposible reconstruir una distribución única de fuentes de corriente intracraneal a partir de una señal de EEG dada, aunque ha habido avances recientes en este campo.

Las señales de EEG registradas reflejan dos tipos de actividad cerebral: espontánea y relacionada con eventos. El EEG espontáneo ocurre sin un estímulo identificable y se ha utilizado clínicamente para evaluar trastornos convulsivos. Más recientemente, hay interés en cómo la actividad de fondo afecta las actividades cognitivas actuales y en explorar la conectividad funcional y la sincronicidad entre regiones cerebrales subyacentes a los estados de conciencia (la red por defecto).

Las actividades relacionadas con eventos, conocidas como potenciales relacionados con eventos (ERPs), están asociadas a estímulos o pensamientos específicos. Los ERPs tienen amplitudes bajas y requieren presentaciones repetidas de estímulos y técnicas de procesamiento de señales (como el promedio) para ser detectados frente al ruido de fondo. Las técnicas principales para detectar ERPs se dividen en promedio bloqueado en el tiempo y análisis espectral.

• Promedio Bloqueado en el Tiempo: Se utiliza para detectar actividades evocadas, sincronizadas con la presentación de estímulos. El promedio reduce el ruido aleatorio mientras preserva las señales relacionadas con el evento. Puede estar bloqueado al estímulo o a la respuesta.
• Análisis Espectral: Se usa para detectar actividades inducidas, que no tienen una relación temporal bien definida con el evento, como la actividad oscilatoria (ej. oscilaciones gamma). El análisis espectral descompone las grabaciones de EEG en componentes de frecuencia (delta, theta, alpha, beta, gamma, high gamma). La Transformada Wavelet (WT) es considerada más adecuada que la Transformada de Fourier (FT) para analizar actividades no estacionarias como las señales de EEG.

Resonancia Magnética Funcional (fMRI)

La fMRI es una de las técnicas de neuroimagen más recientes y se ha convertido en el método dominante en neurociencia cognitiva desde principios de la década de 1990 debido a su baja invasividad, ausencia de exposición a radiación y amplia disponibilidad. La actividad neural local en el cerebro a menudo conduce a un aumento del flujo sanguíneo y suministro de oxígeno a la vasculatura local.

Varias técnicas detectan estos cambios metabólicos: fMRI de contraste (requiere agentes de contraste, no común en voluntarios sanos), fMRI dependiente del nivel de oxígeno en sangre (BOLD) y fMRI de perfusión.

• fMRI BOLD: Es el método más utilizado. Detecta la diferencia en susceptibilidad magnética entre la hemoglobina oxigenada (diamagnética) y desoxigenada (paramagnética). Aunque la actividad neuronal consume oxígeno, el aumento del flujo sanguíneo suministra más oxígeno del consumido, incrementando la hemoglobina oxigenada y la respuesta BOLD. Aunque es una medida indirecta de la actividad neuronal, hay fuerte evidencia empírica de que las señales BOLD están altamente correlacionadas con la actividad neuronal. Las señales BOLD suelen ser más fuertes y rápidas de adquirir que las de perfusión.
• fMRI de Perfusión: Utiliza "marcaje de espín arterial" (ASL) para etiquetar magnéticamente los núcleos de hidrógeno en la sangre arterial. Es sensible al flujo sanguíneo cerebral (FSC), considerado un buen correlato de la actividad neuronal. No requiere agentes de contraste y su señal es más estable y con ruido más blanco que la BOLD, pero la señal es más débil y el tiempo de adquisición es mayor.

La fMRI se caracteriza por su alta resolución espacial y cobertura de todo el cerebro. La fMRI BOLD convencional tiene una resolución espacial típica de 3-6 mm; la alta resolución puede alcanzar 1 mm, a costa de la cobertura total. Es sensible a las señales BOLD tanto de la superficie cortical como de estructuras cerebrales profundas, aunque hay artefactos de susceptibilidad en la corteza prefrontal ventromedial y los polos temporales que se han abordado parcialmente con nuevas secuencias de escaneo o fMRI de contraste/perfusión.

La principal limitación de la fMRI es su resolución temporal, ya que la respuesta BOLD es muy lenta. La respuesta BOLD típica tras un evento estímulo único tarda 1-2 segundos en empezar a subir, alcanza su pico a los 4-6 segundos y vuelve a la línea base a los 12-16 segundos. Además, la señal BOLD es una medida indirecta y susceptible a influencias fisiológicas no relacionadas con procesos neuronales.

Comparación entre EEG y fMRI

EEG y fMRI tienen fortalezas y debilidades complementarias. Idealmente, los experimentos que emplean estos métodos deben diseñarse cuidadosamente para maximizar sus fortalezas y minimizar sus debilidades.

Análisis de Datos en Neuroimagen

Para identificar las regiones cerebrales con cambios de señal significativos en respuesta a una tarea, los datos de imagen deben analizarse con métodos estadísticos. Se han desarrollado muchas técnicas, integradas principalmente en el marco del Modelo Lineal General (GLM).

Modelo Lineal General (GLM)

El GLM busca explicar la varianza en el curso temporal BOLD como una combinación lineal de variables explicativas (el diseño experimental) y un término de error. Al estimar la magnitud de los parámetros asociados a cada variable del diseño, se detecta la presencia o ausencia de activación. El GLM puede asumir la forma de la función de respuesta BOLD (ej. doble función gamma) y estimar la amplitud, o no asumirla y estimar la amplitud de cada punto temporal (deconvolución). La deconvolución es más ruidosa pero menos afectada por la forma teórica de la respuesta BOLD.

Análisis Multivariado

Los métodos tradicionales (univariados) tratan cada vóxel como una medida independiente, a menudo promediando vóxeles vecinos para aumentar el poder estadístico y aplicando umbrales. Esto reduce el ruido pero puede eliminar información útil y no explora las interacciones entre regiones.

Los métodos de análisis multivariado (MVPA) se utilizan cada vez más. El MVPA identifica diferencias sutiles en los patrones de activación a través de vóxeles, mientras que el análisis de conectividad neuronal examina las interacciones funcionales entre regiones.

• MVPA: En el primer estudio fMRI que usó análisis de patrones, se demostró que los patrones de activación en la vía visual ventral podían discriminar entre diferentes tipos de objetos visuales. A diferencia del enfoque tradicional, no se suavizaron los datos ni se aplicaron umbrales, sino que se extrajeron los patrones de activación para cada categoría y se calcularon correlaciones dentro y entre categorías. Esto desafió la visión de que las categorías visuales se procesan en regiones aisladas y mostró la superioridad del análisis multivariado para discriminar entre diferentes estados mentales. Se han utilizado algoritmos más sofisticados como máquinas de vectores de soporte (SVM) y análisis discriminante lineal (LDA) para mejorar la sensibilidad del MVPA, permitiendo decodificar representaciones neurales de objetos, palabras o manipulaciones mentales.
• Análisis de Conectividad Neuronal (NCA): Aborda cómo diferentes tareas y estados mentales modulan la conectividad.

El análisis más simple es la conectividad funcional, que evalúa el acoplamiento de activaciones neurales en diferentes regiones calculando la correlación de sus respuestas BOLD. Esto puede generar mapas de conectividad complejos que requieren técnicas informáticas adicionales. Sin embargo, la conectividad funcional se basa en correlaciones y no identifica direcciones o relaciones causales.

Para examinar las conectividades efectivas (direccionales y causales), se han desarrollado otros enfoques:

• Modelado de Ecuaciones Estructurales (SEM): Evalúa conectividades efectivas entre un conjunto dado de regiones durante una tarea, o diferencias entre tareas. Se basa en la estructura de covarianza, no en la información temporal.
• Modelo de Causalidad de Granger: Enfatiza la información temporal y se ha aplicado a series temporales de EEG y fMRI para obtener información sobre interacciones direccionales.
• Modelado Causal Dinámico (DCM): Basado en la construcción de un modelo neuronal realista de regiones corticales interactuantes. Utiliza un enfoque Bayesiano para estimar respuestas neuronales a partir de datos BOLD medidos.

Tanto el GLM tradicional como el MVPA abordan la localización funcional. Sin embargo, los resultados sugieren que incluso funciones cognitivas simples implican redes neurales cooperativas o competitivas, destacando la importancia de entender las comunicaciones e interacciones entre regiones, lo que impulsa el desarrollo de los NCA.

Integración de Datos Multimodales

La integración de diferentes medidas de la actividad cerebral, como el tiempo de reacción, otras respuestas fisiológicas y las diversas técnicas de imagen funcional, es crucial y muy necesaria. Cada medida ofrece diferentes perspectivas y cada técnica de imagen funcional mide diferentes aspectos de las respuestas cerebrales, con sus propias fortalezas y limitaciones.

Existen varios tipos de integración:

1. Integración de diferentes técnicas de imagen (ej. EEG y fMRI) para aprovechar sus respectivas fortalezas (alta resolución temporal de EEG, alta resolución espacial de fMRI).
2. Integración de datos conductuales y de imagen funcional para interpretar los resultados de imagen, a menudo guiada por modelos computacionales (ej. modelos de espacio de estados, modelos de aprendizaje por refuerzo).
3. Integración de datos sobre estructura y función cerebral.
4. Integración de datos metodológicos (ej. movimiento de cabeza, parpadeo, respiración, ritmo cardíaco) para reducir el ruido en los datos de imagen funcional.

La integración de datos multimodales no solo mejora nuestra comprensión de problemas antiguos, sino que también aborda nuevas preguntas, como la fuente de las señales BOLD en estado de reposo, correlacionando fluctuaciones BOLD con variaciones de potencia de EEG en diferentes bandas de frecuencia. También ha sido clave para confirmar la relación entre la respuesta BOLD y la actividad neuronal, mostrando que las respuestas BOLD están altamente correlacionadas con los potenciales de campo local.

Aplicaciones en Neuroeconomía: El Cerebro en la Toma de Decisiones

La neuroeconomía es un área de investigación multidisciplinaria que combina la neurociencia, la economía y la psicología. Su objetivo es construir un modelo biológico de la toma de decisiones en entornos económicos. Estudiando las actividades neurales en tiempo real asociadas a procesos como la evaluación de opciones, la valoración de riesgos y recompensas, la toma de decisiones y la interacción social, la neuroeconomía busca comprender por qué las personas a menudo no toman decisiones óptimas.

Antes de la neuroeconomía, la economía conductual desarrolló modelos normativos (cómo la gente debería tomar decisiones óptimas, asumiendo racionalidad) y modelos descriptivos (cómo la gente realmente toma decisiones). La neuroeconomía se enfoca, en parte, en entender los mecanismos neurales de la irracionalidad.

La investigación en neuroeconomía cubre un amplio rango de temas. Nos centraremos en tres áreas específicas:

Toma de Decisiones bajo Incertidumbre

Muchas decisiones implican la posibilidad de ganar o perder. Se distingue entre decisión bajo riesgo (probabilidades conocidas) y decisión bajo ambigüedad (probabilidades desconocidas). El ejemplo del paradoja de Ellsberg ilustra la aversión al riesgo y la aversión a la ambigüedad.

La Teoría de la Perspectiva (Prospect Theory) explica la aversión al riesgo para juegos mixtos (ganancia/pérdida) usando el concepto de aversión a la pérdida: la gente es más sensible a la posibilidad de perder que de ganar la misma cantidad. Estudios de fMRI han investigado los sustratos neurales de la aversión a la pérdida, encontrando que áreas como las regiones dopaminérgicas del mesencéfalo, el estriado ventral y la corteza prefrontal ventromedial muestran actividad correlacionada con ganancias potenciales (positivamente) y pérdidas potenciales (negativamente). La pendiente de disminución para las pérdidas es más pronunciada, consistente con la aversión a la pérdida. Las diferencias individuales en la aversión a la pérdida conductual se correlacionan con medidas de aversión a la pérdida neural en estas regiones.

Otros estudios exploran la interacción entre riesgo y recompensa. La tarea de las Copas (Cups Task) ha mostrado que la corteza prefrontal medial (CPM) se divide funcionalmente: la CPM dorsal se activa con mayor riesgo, mientras que la CPM ventral es modulada por la ganancia/pérdida recibida. La preferencia por el riesgo conductual se correlaciona negativamente con la activación de la CPM dorsal al riesgo y positivamente con la activación de la CPM ventral a la recompensa, sugiriendo que la decisión bajo riesgo es un conflicto entre la "atracción" de la ganancia y el "miedo" al riesgo.

La comparación directa entre decisiones bajo ambigüedad y riesgo ha arrojado resultados mixtos, sugiriendo tanto mecanismos neurales compartidos (amígdala, corteza orbitofrontal, sistema estriatal) como distintos (corteza prefrontal lateral para ambigüedad, corteza parietal posterior para riesgo).

Estudios de EEG también aportan información sobre la cronología de estas respuestas, identificando componentes ERP (como la negatividad de retroalimentación y el P300) que diferencian rápidamente ganancias/pérdidas y la amplitud del resultado.

Elección Intertemporal e Impulsividad

Las elecciones intertemporales implican intercambiar costos y beneficios en diferentes momentos del tiempo. La mayoría de las personas prefieren recompensas inmediatas a recompensas futuras de magnitud similar, incluso descontando el interés. La teoría de la utilidad descontada, especialmente el descuento hiperbólico, describe cómo la gente valora los resultados futuros.

Una hipótesis (descuento cuasi-hiperbólico) postula dos sistemas neurales: un sistema ß (límbico) mediando el valor especial de las recompensas inmediatas, y un sistema δ (cognitivo) mediando el descuento futuro. Estudios de fMRI han apoyado esta idea, mostrando que regiones límbicas (estriado ventral, corteza orbitofrontal medial, CPM, corteza cingulada posterior) se activan más ante recompensas inmediatas, mientras que regiones prefrontales laterales (corteza prefrontal dorsolateral y ventrolateral) y parietales se activan más en decisiones que involucran recompensas futuras. La activación del sistema ß es mayor cuando se elige una recompensa inmediata, y la del sistema δ es mayor cuando se elige una recompensa futura.

Otra función de descuento hiperbólico relaciona el valor subjetivo con el retraso mediante un parámetro k. Estudios de fMRI han identificado que la actividad de la corteza prefrontal medial, la corteza cingulada posterior y el estriado ventral se correlaciona significativamente con los valores subjetivos de las recompensas retrasadas. El parámetro k neural, estimado a partir de estas regiones, se correlaciona fuertemente con el parámetro k conductual, sugiriendo que estas regiones límbicas de recompensa rastrean cuantitativamente los valores subjetivos.

Teoría de Juegos y Decisiones Sociales

La teoría de juegos estudia las interacciones sociales (competición, cooperación, coordinación). Un juego involucra a dos o más personas y permite conectar la toma de decisiones individual con los resultados grupales. La teoría normativa de juegos busca equilibrios (ej. Equilibrio de Nash), estrategias que los jugadores probablemente seguirán sin querer cambiarlas unilateralmente.

El Juego del Ultimátum (UG) es un paradigma elegante para estudiar las interacciones sociales y sus mecanismos neurales. Un proponente ofrece una división de dinero a un respondedor; si el respondedor acepta, se divide el dinero; si rechaza, ninguno recibe nada. El Equilibrio de Nash predice que el proponente ofrecerá la cantidad más pequeña posible y el respondedor la aceptará (para obtener algo en lugar de nada).

Sin embargo, empíricamente, los respondedores a menudo rechazan ofertas bajas (por debajo del 20%). La neuroeconomía busca entender los mecanismos neurales detrás de este rechazo. Estudios de fMRI en el UG han mostrado que varias regiones, incluyendo la ínsula anterior, la corteza cingulada anterior y la corteza prefrontal dorsal, se activan más ante ofertas injustas. La activación de la ínsula bilateral es significativamente mayor cuando las ofertas injustas provienen de humanos que de una computadora, sugiriendo que la percepción de trato injusto es clave. La mayor activación de la ínsula ante ofertas injustas se correlaciona con la probabilidad de rechazo, lo que, dado el rol de la ínsula en emociones negativas, sugiere que el rechazo está impulsado por la emoción negativa.

Por otro lado, estudios con estimulación magnética transcraneal repetitiva (rTMS) han mostrado que la interrupción de la corteza prefrontal dorsolateral (DLPFC) derecha reduce la tasa de rechazo de ofertas injustas, mientras que la interrupción de la DLPFC izquierda no tiene este efecto. Esto sugiere que la DLPFC derecha podría anular el interés propio y guiar decisiones hacia un beneficio social o la equidad, implicando un control ejecutivo de alto nivel en lugar de solo emoción. Estos hallazgos han generado debates y requieren más investigación.

Desafíos y Direcciones Futuras

A pesar de los avances, la neurociencia cognitiva y la neuroeconomía enfrentan desafíos. Mejorar la resolución temporal de la fMRI, la resolución espacial del EEG, integrar de manera más efectiva los datos de diferentes modalidades y desarrollar modelos computacionales más precisos para guiar el análisis de datos son áreas clave para el futuro. La comprensión completa de cómo las redes neurales complejas dan lugar a comportamientos cognitivos y de toma de decisiones sigue siendo un objetivo ambicioso.

Preguntas Frecuentes

¿Qué es la neuroeconomía?
Es un campo interdisciplinario que combina neurociencia, economía y psicología para estudiar las bases neurales de la toma de decisiones, especialmente en contextos económicos.

¿Cómo se diferencian el EEG y la fMRI?
El EEG tiene excelente resolución temporal y mide la actividad eléctrica directa, pero baja resolución espacial y no ve estructuras profundas. La fMRI tiene alta resolución espacial y cobertura cerebral, pero baja resolución temporal y mide una señal hemodinámica indirecta (BOLD).

¿Qué es la señal BOLD en fMRI?
Significa "Blood-Oxygen-Level Dependent". Mide los cambios en la concentración de hemoglobina oxigenada y desoxigenada en la sangre, que reflejan la actividad neuronal local.

¿Por qué se utilizan análisis multivariados en neuroimagen?
Los análisis multivariados, como el MVPA y los análisis de conectividad, exploran patrones de actividad a través de múltiples vóxeles y las interacciones entre regiones, ofreciendo una visión más rica que el análisis de vóxeles individuales.

¿Qué nos enseña el Juego del Ultimátum sobre el cerebro?
Estudios con neuroimagen en el Juego del Ultimátum sugieren que el rechazo de ofertas injustas está influenciado tanto por respuestas emocionales negativas (ínsula) como por procesos cognitivos de control (corteza prefrontal dorsolateral) relacionados con la equidad y el orden social.

Conclusión

La neurociencia cognitiva ha crecido enormemente, impulsada por los avances en técnicas de neuroimagen funcional. Estas herramientas, junto con métodos de análisis cada vez más sofisticados y la integración de datos multimodales, están permitiendo desentrañar las bases neurales de procesos cognitivos complejos y comportamientos humanos, como la toma de decisiones. La neuroeconomía es un ejemplo claro de cómo la neuroimagen está transformando disciplinas tradicionales, conectando el comportamiento humano con la actividad cerebral y abriendo nuevas vías para entender la mente.

Si quieres conocer otros artículos parecidos a Explorando el Cerebro: Técnicas de Neuroimagen puedes visitar la categoría Neurociencia.