Brain markers of high cognitive ability. A multi-modal neuroimaging approach Javier
- Pérez Santonja, Javier
- Roberto Colom Directeur/trice
Université de défendre: Universidad Autónoma de Madrid
Fecha de defensa: 27 février 2024
- Javier de Felipe Oroquieta President
- Uxia Fernández Folgueiras Secrétaire
- Fernando Maestú Unturbe Rapporteur
- Kirsten Hilger Rapporteur
- Manuel Martín Loeches Rapporteur
Type: Thèses
Résumé
Esta tesis explora la relación que existe entre las técnicas de neuroimagen y la alta capacidad cognitiva, utilizando una muestra de miembros de MENSA y otra de la base de datos pública del HCP. El capítulo introductorio ofrece una visión global de los conceptos esenciales de la neuroimagen y de las técnicas de procesamiento especializado, así como de las teorías de la inteligencia y de la investigación previa en neuroimagen sobre capacidades cognitivas. Los capítulos siguientes presentan en detalle los estudios realizados, que utilizan diversas modalidades de imagen para entender la alta inteligencia y sus implicaciones a nivel de neuroimagen. La primera investigación explora el “Brain Age Quotient” (Cociente de Edad Cerebral), obtenido a partir del procesamiento de imágenes T1w, revelando que los individuos con alta capacidad cognitiva (HCA, siglas en inglés) poseen cerebros que aparentan ser más viejos o más jóvenes comparados con el grupo de capacidad cognitiva promedio (ACA, siglas en inglés), dependiendo de si la edad cerebral se calcula usando el grosor cortical o la superficie cortical, respectivamente. El segundo estudio investiga la resistencia cerebral utilizando la Imagen de Ponderada en Difusión (DWI), demostrando una mejor integridad de la red y resistencia a los ataques en los participantes del grupo HCA. La metodología llamada “fingerprinting”, traducible como “huella cerebral funcional”, que se aplica usando imágenes de fMRI en estado de reposo, enfatiza la reproducibilidad de los perfiles de conectividad individual, con individuos HCA mostrando un comportamiento funcional más consistente entre sesiones de registro. Finalmente, un estudio con enfoque en imagen multimodal integra las tres modalidades de imagen, aprovechando el aprendizaje automático (“machine learning”) para discernir entre los grupos HCA y ACA con una relevante precisión. En conjunto, estos estudios subrayan el potencial de los biomarcadores de neuroimagen para mejorar nuestra comprensión de las diferencias de capacidad cognitiva