[論文レビュー] Bayesian inference on group differences in brain networks

Daniele Durante, David B. Dunson|arXiv (Cornell University)|Nov 24, 2014

Functional Brain Connectivity Studies被引用数 5

ひとこと要約

本論文は、依存的混合の低ランク因子分解を用いて、脳ネットワーク構造におけるグループ差を検出するベイジアン非パラメトリックモデルを提案する。効率的なギブスサンプラーを用いることで、柔軟かつ多重性補正付きのグローバルおよびローカル仮説検定が可能となり、創造性と脳ネットワーク組織の間の有意な関連が明らかになり、神経精神的および認知ネットワークの変異についての新たな知見が得られる。

ABSTRACT

Network data are increasingly available along with other variables of interest. Our motivation is drawn from neurophysiology studies measuring a brain activity network for each subject along with a categorical variable, such as presence or absence of a neuropsychiatric disease, creativity groups or type of ability. We develop a Bayesian approach for inferences on group differences in the network structure, allowing global and local hypothesis testing adjusting for multiplicity. Our approach allows the probability mass function for network-valued data to shift nonparametrically between groups, via a dependent mixture of low-rank factorizations. An efficient Gibbs sampler is defined for posterior computation. We provide theoretical results on the flexibility of the model and assess testing performance in simulations. The approach is applied to provide novel results showing relationships between human brain networks and creativity.

研究の動機と目的

• 疾患状態や創造性水準などのカテゴリカルなグループ変数を伴う神経生理学的研究において、脳ネットワーク構造のグループ差を検出するためのベイジアンフレームワークの開発。
• ネットワーク価値データにおける複数検定の課題に、一貫した確率的モデル内での多重性補正を組み込むことによる対処。
• 固定されたパラメトリック形式を仮定せずに、グループ間でのネットワーク価値データの確率質量関数における非パラメトリックで柔軟なシフトを許容すること。
• ネットワーク全体およびエッジ固有のレベルで差を検出できるグローバルおよびローカル仮説検定を可能にすること。
• ネットワーク価値データおよびグループ比較に特化したギブスサンプラーを用いた、計算的に効率的な事後分布推定手法の提供。

提案手法

• モデルは、非パラメトリックでグループ依存のネットワーク価値データモデリングを可能にする、低ランク因子分解の依存的ディリクレ過程混合を採用する。
• 低ランク因子分解は、ネットワーク構造を表現するために用いられ、複雑な脳結合パターンの次元削減と効率的表現を可能にする。
• グループ固有の混合成分間の依存性は、共有ベース測度を有するスティック・ブレイキング過程を用いて誘導され、グループ固有のネットワーク分布のシフトを可能にする。
• ギブスサンプラーは、事後分布推定のためのもので、反復的にグループ固有の因子分解、成分割り当て、ハイパーパrameterを更新する。
• 仮説検定は、グループ差の事後確率を用い、ベイジアンモデル選択および誤発見率制御による多重性補正を組み合わせて実施する。
• 事後オッズおよび信頼区間を用いて、グローバルテスト（全体的なネットワーク構造差）およびローカルテスト（個々のエッジまたは部分ネットワーク差）をサポートする。

実験結果

リサーチクエスチョン

• RQ1 グループ間で元のネットワーク分布が非パラメトリックにシフトする可能性がある状況において、どのようにして脳ネットワーク構造のグループ差を柔軟に検出できるか？
• RQ2 提案されたベイジアンモデルは、ネットワークエッジや部分ネットワークにおける複数検定において、どのようにして多重性を制御するか？
• RQ3 モデルは、創造性や神経精神疾患に関連する脳ネットワーク組織の有意義な差をどの程度検出できるか？
• RQ4 混合成分における依存構造は、独立したグループモデリングと比較して、推論をどのように改善するか？
• RQ5 シミュレーション研究において、本手法は真のネットワークレベルおよびエッジレベルの差を同定する際に、実証的パワーと正確性をどの程度達成するか？

主な発見

• 提案されたベイジアンモデルは、シミュレーション設定において、パラメトリック代替手法を上回る柔軟性を示し、グループ間でのネットワーク価値データ分布の非パラメトリックシフトを的確に捉える。
• ベイジアンモデル選択および事後確率のしきい値を用いることで、多重検定のシナリオにおいて効果的な多重性補正が達成され、誤発見率が低減する。
• シミュレーションでは、複雑で正規分布でないネットワーク構造であっても、グローバルおよびローカルなネットワーク差を検出する高い統計的パワーを維持する。
• 実データへの応用では、高創造性群と低創造性群の間で機能的結合パターンに有意な構造的差が明らかになった。
• 結果として、特に前頭頭頂連合野およびデフォルトモードネットワークにおける特定のネットワークサブ構造が、創造性における個人差と関連しているという、新たな証拠が得られた。
• ギブスサンプラーは効率的に収束し、大きなスケールの脳ネットワークにおいても、妥当な計算コストで実用的な事後分布推定が可能となった。