Capacità di Memoria Durante l'Invecchiamento: Un Approccio di Reservoir Computing Basato sul Connettoma

Memory is a crucial cognitive function that deteriorates with age. However, memory is typically assessed through neuropsychological tests rather than through the architecture of brain networks. This thesis investigates memory from a computational perspective by applying Reservoir Computing to individual structural brain connectomes. In this framework, computational Memory Capacity (MC) quantifies the ability of the connectome-based reservoir to retain information over time, providing a network-level measure of temporal information processing. Using a lifespan cohort of 629 participants from the Cam-CAN dataset, MC emerged as a robust computational marker of aging, showing a stronger association with age than conventional connectome-derived measures of network topology. Furthermore, MC was significantly associated with cognitive performance across multiple domains, including semantic memory, fluid intelligence, visual short-term memory, and processing speed. In predictive models, the inclusion of MC improved the prediction of all cognitive outcomes beyond demographic variables, with MC consistently emerging as the most informative connectome-derived predictor. Regional analyses revealed an age-related redistribution of the anatomical contributions supporting computational memory, with reduced contributions from higher-order association cortices and increased contributions from subcortical, temporal, and limbic regions. The main age-related patterns remained stable across different network densities, stochastic input realizations, and reservoir parameterizations, supporting the robustness of the computational framework. By linking the computational properties of structural brain networks with aging and cognitive performance, these findings provide a complementary perspective on how brain organization supports memory and other cognitive functions. Connectome-based Reservoir Computing can therefore offer a promising framework for investigating brain aging and age-related cognitive disorders. Increasing the cognitive specificity of this measure could further enhance its clinical utility: task-specific computational profiles could potentially identify the cognitive domains in which an individual shows greater computational vulnerability, supporting more targeted cognitive assessment, focusing clinical evaluation on the domains most relevant to the individual, while reducing unnecessary testing, participant fatigue, and loss of attention during assessment.

La memoria è una funzione cognitiva fondamentale che tende a deteriorarsi con l’avanzare dell’età. Tuttavia, la memoria viene generalmente valutata attraverso test neuropsicologici, piuttosto che considerando l’architettura delle reti cerebrali. Questa tesi indaga la memoria da una prospettiva computazionale, applicando il Reservoir Computing ai connettomi strutturali cerebrali individuali. In questo quadro, la Computational Memory Capacity (MC) quantifica la capacità del reservoir, basato sul connettoma, di mantenere nel tempo le informazioni, fornendo una misura della capacità di elaborazione temporale dell’informazione da parte della rete cerebrale. Utilizzando una coorte di 629 partecipanti del dataset Cam-CAN, comprendente un ampio intervallo di età, la MC si è rivelata un robusto marcatore computazionale dell’invecchiamento, mostrando un’associazione con l’età più forte rispetto alle tradizionali misure di topologia di rete derivate dal connettoma. Inoltre, la MC è risultata significativamente associata alle prestazioni cognitive in diversi domini, tra cui la memoria semantica, l’intelligenza fluida, la memoria visiva a breve termine e la velocità di elaborazione. Nei modelli predittivi, l’inclusione della MC ha migliorato la predizione di tutti gli esiti cognitivi rispetto ai soli fattori demografici, con la MC che è risultata essere il predittore più informativo derivato dal connettoma. Le analisi regionali hanno evidenziato una redistribuzione associata all’età dei contributi anatomici alla base della memoria computazionale, caratterizzata da una riduzione del coinvolgimento delle cortecce associative di ordine superiore e da un aumento di quello delle regioni sottocorticali, temporali e limbiche. I principali pattern associati all’età sono rimasti stabili al variare della densità di rete, delle realizzazioni stocastiche dell’input e della parametrizzazione del reservoir, a supporto della robustezza del framework computazionale. Collegando le proprietà computazionali delle reti cerebrali strutturali all’invecchiamento e alle prestazioni cognitive, questi risultati forniscono una prospettiva complementare sul modo in cui l’organizzazione cerebrale supporta la memoria e altre funzioni cognitive. Il Reservoir Computing basato sul connettoma può pertanto rappresentare un framework promettente per lo studio dell’invecchiamento cerebrale e dei disturbi cognitivi correlati all’età. Un aumento della specificità cognitiva di questa misura potrebbe ulteriormente migliorarne l’utilità clinica: profili computazionali specifici per ciascun compito potrebbero potenzialmente identificare i domini cognitivi nei quali un individuo presenta una maggiore vulnerabilità, favorendo una valutazione cognitiva più mirata e concentrando l’analisi clinica sui domini più rilevanti per il singolo individuo, riducendo al contempo la necessità di test non essenziali, l’affaticamento dei partecipanti e la perdita di attenzione durante la valutazione.