[論文レビュー] A Constrained, Weighted-L1 Minimization Approach for Joint Discovery of Heterogeneous Neural Connectivity Graphs

Chandan Singh, Beilun Wang+1 more|arXiv (Cornell University)|Sep 13, 2017

Functional Brain Connectivity Studies参考文献 25被引用数 6

ひとこと要約

本稿では、空間的事前知識とノンパラメトリック正規化仮定を組み込んだ、制約付きで重み付きℓ1の多タスクグラフィカルモデル、W-SIMULEを提案する。このモデルはfMRIデータから異種の神経結合グラフを共同で推定する。ABIDE自閉症データセットにおいて58.6%の分類精度を達成し、後頭中回、基底核、前扣帯皮質、内側前頭前頭皮質で生物学的に妥当な結合障害を同定した。

ABSTRACT

Determining functional brain connectivity is crucial to understanding the brain and neural differences underlying disorders such as autism. Recent studies have used Gaussian graphical models to learn brain connectivity via statistical dependencies across brain regions from neuroimaging. However, previous studies often fail to properly incorporate priors tailored to neuroscience, such as preferring shorter connections. To remedy this problem, the paper here introduces a novel, weighted-$\ell_1$, multi-task graphical model (W-SIMULE). This model elegantly incorporates a flexible prior, along with a parallelizable formulation. Additionally, W-SIMULE extends the often-used Gaussian assumption, leading to considerable performance increases. Here, applications to fMRI data show that W-SIMULE succeeds in determining functional connectivity in terms of (1) log-likelihood, (2) finding edges that differentiate groups, and (3) classifying different groups based on their connectivity, achieving 58.6\% accuracy on the ABIDE dataset. Having established W-SIMULE's effectiveness, it links four key areas to autism, all of which are consistent with the literature. Due to its elegant domain adaptivity, W-SIMULE can be readily applied to various data types to effectively estimate connectivity.

研究の動機と目的

• 自閉症対照群など複数のグループ間での機能的脳結合の推定を、ロバストで解釈可能な方法で共同で行う。
• 特に空間的距離を含む神経科学特有の事前知識をグラフィカルモデル推定に組み込み、生物学的妥当性を向上させる。
• 標準的なガウスグラフィカルモデルの限界を克服するため、ノンパラメトリック正規化変換を用いてガウス仮定を緩和する。
• 低スパarsityレベルを示す大規模fMRIデータセットに対しても、効率的で並列化可能な計算を可能にする。

提案手法

• W-SIMULEは、解剖学的距離に基づいて短い結合を優遇するように、多タスクグラフィカルモデルフレームワークに重み付きℓ1正則化項を採用する。
• 脳領域間のMNI空間における距離から導出される柔軟な事前行列Wを用い、長距離結合をより強くペナルティ付ける。
• ガウス仮定を緩和するため、ノンパラメトリック正規化変換を適用し、非ガウスfMRIデータに対するロバスト性を向上させる。
• 最適化は列単位で並列化可能であり、脳領域全体にわたる効率的な計算を可能にする。
• 制約付きでグループ正則化されたℓ1最小化目的関数を用いて、各グループの精度行列（Ω）を共同で推定する。
• スパarsityは調整パラメータλによって制御され、ネットワーク密度の異なる接続マップの生成が可能になる。

実験結果

リサーチクエスチョン

• RQ1 空間的事前知識を組み込んだ重み付きℓ1多タスクグラフィカルモデルは、fMRIデータにおける機能的結合推定を改善できるか？
• RQ2 W-SIMULEは、対数尤度、エッジ差別化、分類精度の観点から、自閉症群と対照群をどの程度区別できるか？
• RQ3 W-SIMULEの枠組み下で、自閉症群と対照群の間に最も顕著な結合差異を示す脳領域はどれか？
• RQ4 ノンパラメトリック正規化変換によるガウス仮定の緩和は、実際のfMRIデータに対するモデル性能をどの程度向上させるか？

主な発見

• W-SIMULEはABIDE fMRIデータセットにおいて、自閉症と対照群の被験者を区別する分類精度が58.6%に達し、ベースライン手法を上回った。
• 推定された接続マップの対数尤度が、既存のグラフィカルモデルよりも顕著に向上した。
• 自閉症において最も破壊された結合は、常に後頭中回、基底核、前扣帯皮質、内側前頭前頭皮質に見られ、これらは以前に自閉症病態と関連づけられた領域である。
• W-SIMULEは空間的事前知識を効果的に強制し、全スパarsityレベルにおいて平均エッジ長を短縮した。理論的最小値に近い性能を達成した。
• 本手法は低スパarsityレベルでもグループ差別的エッジを効果的に同定でき、強力な解釈可能性と感受性を示した。
• 結果は先行研究と整合的であり、W-SIMULEの生物学的妥当性とドメイン適合性を検証した。