El cerebro puede revelar el riesgo de depresión años antes de que aparezcan los síntomas

El aprendizaje automático ha detectado en imágenes cerebrales una posible señal temprana del riesgo de depresión. Los investigadores descubrieron que las personas que dependen en exceso de expectativas previas al reconocer expresiones faciales procesan de forma particular los rostros enfadados. Este patrón matemático puede manifestarse varios años antes de los síntomas clínicos. El estudio se ha publicado en la revista Science Advances.

El trastorno depresivo mayor afecta a millones de personas en todo el mundo y, una vez desarrollado, su tratamiento suele ser complejo. Por eso es importante detectar el riesgo de forma temprana para prevenirlo. Actualmente, los pronósticos suelen basarse en las respuestas de la persona sobre su propio estado y en factores ambientales. Los indicadores biológicos de vulnerabilidad, visibles antes de que aparezca el malestar, podrían complementar esa evaluación.

En los trastornos mentales puede cambiar la forma de procesar las emociones: por ejemplo, una persona puede interpretar con más frecuencia señales sociales ambiguas como negativas o amenazantes. Según teorías psicológicas extendidas, el cerebro no se limita a registrar datos sensoriales, sino que los interpreta mediante conceptos y recuerdos. Algunos estudios ya habían relacionado la depresión con patrones de actividad en distintas regiones cerebrales, pero esas descripciones, por sí solas, no explicaban el mecanismo de los cambios.

Han Lu, de la Universidad de Shenzhen, y Qiang Luo, de la Universidad de Fudan, comprobaron si la corteza visual —la región cerebral que procesa la información visual— podía ser uno de los primeros puntos vulnerables. Los científicos plantearon que las señales de amenaza social podían distorsionarse precisamente allí. Para ponerlo a prueba, crearon un modelo matemático de cómo aprende el cerebro a reconocer emociones en los rostros.

Primero analizaron las imágenes de resonancia magnética funcional de 1332 participantes de 19 años del proyecto europeo IMAGEN. La resonancia magnética funcional (fMRI) permite estimar indirectamente la actividad cerebral a partir de los cambios en el flujo sanguíneo. Durante el escáner, los participantes vieron vídeos breves en los que unos rostros neutros se iban volviendo enfadados.

Un algoritmo de aprendizaje automático identificó cómo codificaba la corteza visual de cada participante los rostros enfadados. Los autores llamaron a ese patrón de actividad «código visual». Según su eficacia, dividieron a los participantes en dos grupos: uno con un procesamiento visual nítido y típico, y otro con un procesamiento menos eficaz y más ruidoso.

Los participantes del segundo grupo comunicaron síntomas emocionales más intensos —ansiedad y bajo estado de ánimo— en cuestionarios clínicos. Esto apuntaba a una relación entre una representación cerebral imprecisa de los rostros enfadados y el malestar emocional. Los investigadores también determinaron que una codificación visual menos eficaz se correspondía directamente con la presencia de esos síntomas.

Para averiguar cómo podía surgir esa distorsión, el equipo creó una red neuronal profunda, un modelo de inteligencia artificial formado por elementos computacionales conectados. Tenía dos vías de procesamiento: una analizaba los datos visuales originales y la otra almacenaba conocimientos generales sobre las emociones. En la percepción habitual, esos conocimientos ayudan al cerebro a reconocer más deprisa una expresión facial. En el modelo, los investigadores permitieron que la vía conceptual influyera en la visual mientras la red aprendía a distinguir emociones. El código matemático interno del modelo coincidió estrechamente con el extraído de las imágenes cerebrales.

A continuación, los científicos modificaron la intensidad con la que la vía conceptual influía en la visual. Con un ajuste moderado, la red reconocía las emociones mejor que en los demás casos. Pero, cuando la influencia era excesiva, las expectativas generales empezaban a imponerse a los detalles reales de la imagen: el modelo confundía rostros neutros con rostros enfadados o tristes. Surgía así un equivalente computacional del sesgo negativo.

Los códigos internos de esa red sometida a una «regulación» excesiva se parecían a los patrones cerebrales ruidosos de los participantes con síntomas emocionales más intensos. Los autores llaman a este mecanismo sobrerregulación: las representaciones previas se imponen a la información sensorial. Según su hipótesis, esto puede mantener las distorsiones emocionales negativas.

A partir del modelo, los investigadores desarrollaron un marcador computacional que estima el grado de esa sobrerregulación en imágenes cerebrales. Cuatro años después volvieron a evaluar a 725 participantes. Entre quienes no tenían síntomas clínicos a los 19 años, el marcador ayudó a identificar a las personas que presentaban síntomas emocionales intensos a los 23. Los predijo mejor que los indicadores básicos basados únicamente en datos demográficos y en el nivel general de actividad cerebral. El resultado apunta a que el mecanismo puede surgir antes que los síntomas, pero no demuestra por sí mismo que cause depresión.

Para comprobar la relación específica con la depresión, el equipo comparó el marcador con los datos genéticos de los participantes de IMAGEN. Encontraron una asociación con una variante genética concreta, vinculada al trastorno depresivo mayor y situada en un gen relacionado con el desarrollo cerebral. El marcador también se correspondía con el riesgo poligénico de depresión, una estimación conjunta del efecto de numerosas variantes genéticas. No se observó relación con los riesgos genéticos del trastorno por consumo de alcohol ni de los trastornos de la conducta alimentaria.

Después, probaron el marcador en una muestra clínica independiente: compararon imágenes de 134 jóvenes diagnosticados de trastorno depresivo mayor con las de 62 participantes sanos. El indicador de sobrerregulación era más alto en los pacientes con depresión y el marcador permitía distinguirlos del grupo de control. Al probarlo con pacientes con trastorno por consumo de alcohol, anorexia nerviosa y bulimia, no encontraron diferencias entre los grupos. Los indicadores tradicionales de actividad cerebral no diferenciaron de forma estadísticamente significativa a los pacientes con depresión de los participantes sanos.

El estudio tiene algunas limitaciones. Los participantes de las muestras poblacional y clínica eran mayoritariamente blancos y procedían de familias con un nivel socioeconómico medio o alto. Por tanto, todavía se desconoce si el patrón se mantiene en grupos con otra composición étnica, racial y social. Además, las diferencias en los síntomas emocionales entre los grupos con un procesamiento visual eficaz y poco eficaz fueron relativamente pequeñas en la muestra general de adolescentes.

Los autores señalan que este resultado es esperable en estudios poblacionales que también miden niveles moderados de malestar, pero que un efecto pequeño limita la precisión del método para diagnosticar a personas concretas. La utilidad clínica del marcador debe comprobarse en grupos independientes de pacientes. Observar a adolescentes más jóvenes podría mostrar si las distorsiones aparecen aún antes. El seguimiento prolongado de pacientes ayudará a averiguar si el marcador predice la recuperación o un curso crónico de la enfermedad, y si es un rasgo estable o un estado temporal. A largo plazo, las intervenciones dirigidas a reentrenar el procesamiento visual podrían ayudar a reducir el riesgo, pero por ahora es una hipótesis que debe ponerse a prueba.

El estudio «El aprendizaje profundo revela un mecanismo neurocomputacional que predice el riesgo de depresión en adolescentes» ha sido elaborado por Han Lu, Xiaoqiao Yan, Benjamin Becker, Andreas Heinz, Barbara J. Sahakian, Christelle Langley, Zhaoyu Zuo, Luolong Cao, Zuo Zhang, Lauren Robinson, Nilakshi Vaidya, Jeanne Winterer, Sinead King, Charlotte Walton, Tobias Banaschewski, Gareth J. Barker, Arun L. W. Bokde, Rüdiger Brühl, Herta Flor, Hugh Garavan, Penny Gow, Antoine Grigis, Hervé Lemaitre, Jean-Luc Martinot, Marie-Laure Paillère-Martinot, Eric Artiges, Frauke Nees, Dimitri Papadopoulos Orfanos, Luise Poustka, Hedi Kebir, Ulrike Schmidt, Julia Sinclair, Michael N. Smolka, Sarah Hohmann, Natalie Holz, Henrik Walter, Robert Whelan, Sylvane Desrivières y Gunter Schumann, así como por los consorcios STRATIFY/ESTRA e IMAGEN.