0-TESTO COMPLETO.pdf - Fondazione Santa Lucia

Neuropsicologia
lisi univariata di massa, è già stato tentato nel precedente lavoro, mostrandosi
inefficace. Ciò è avvenuto a causa della sostanziale sovrapposizione anatomica
tra le popolazioni neurali codificanti l’informazione sulla congruenza e sull’incogruenza.
Studi recenti [Haynes, Rees 2006] hanno mostrato come un approccio
multivariato all’analisi dei dati di neuroimaging consenta l’estrazione di un
maggior quantitativo di informazione, con conseguente possibilità di distinguere
differenti configurazioni di attività metabolica (correlati a differenti compiti
svolti dal soggetto) all’interno di una stessa area anatomica. Per questo
motivo, in questo lavoro, alle classiche metodiche di analisi univariata dei dati,
verranno affiancati metodi di analisi multivariata, basati sull’uso di sistemi
sofware derivanti dalla ricerca nel campo dell’intelligenza artificiale. Il loro
compito sarà quello di analizzare e classificare le configurazioni di attivazione
(riconoscimento di pattern) di gruppi in voxel all’interno della TPJ sinistra.
Disegno sperimentale
Poiché l’analisi multivariata mediante l’utilizzo di classificatori automatici
è possibile solo a livello di soggetti singoli [Haynes and Rees 2006], lo studio
verrà condotto su soli sei soggetti, in linea con i setting sperimentali già
presenti in letteratura [Haynes and Rees 2005a, 2005b; Haynes et al. 2007].
Il compito a cui verranno sottoposti i soggetti consisterà in un semplice test
di Posner con cue centrali, in cui il 33% delle cue sarà invalido, mentre il 66%
sarà valido. Per ogni soggetto verranno paragonate le attivazioni cerebrali relative
ai trial validi e invalidi con quelle relative alla baseline metabolica, al fine di
localizzare la TPJ sinistra del soggetto stesso e focalizzare su di essa la seconda
parte dell’analisi. Nella seconda fase, per ogni soggetto e limitatamente ai voxel
inclusi nella TPJ sinistra, i volumi relativi all’attività correlata ai trial validi e
invalidi verranno sottoposti ad un classificatore automatico, che provvederà al
riconoscimento del pattern di attivazione di ogni volume in funzione del tipo di
trial a cui si riferisce. Se il classificatore riuscisse a distinguere i trial validi da
quelli invalidi analizzando solo il pattern di attivazione dei volumi ad essi corrispondenti,
allora si potrebbe affermare che la TPJ sinistra risponda in due modi
diversi ai trial validi e invalidi. Nello svolgimento della sua attività, il software di
classificazione automatica assegnerà un valore numerico ad ogni voxel facente
parte della TPJ. Nel caso in cui il processo di classificazione andasse a buon
fine, la mappatura di tali valori consentirebbe inoltre di verificare se la codifica
dell’informazione all’interno della TPJ è ordinatamente suddivisa in domini
spaziali separati (come ad esempio le colonne d’orientamento in V1), oppure è
distribuita “ disordinatamente ” tra i vari voxel.
Risultati attesi
Si prevede che la TPJ sinistra presenti due diversi pattern di attivazione in
funzione della validità dei trial, in più non si esclude la possibilità di un’organizzazione
in domini separati dei voxel codificanti i trial validi e i trial invalidi.
Tale struttura porterebbe ad ipotizzare che la generale organizzazione
colonnare della corteccia [Mountcastle 1997], ampiamente dimostrata in aree
sensoriali primarie, sensoriali associative e motorie, possa essere riscontrata
anche nella TPJ.
2009 417