[論文レビュー] Bayesian Joint Modeling of Multiple Brain Functional Networks

Joshua Lukemire, Suprateek Kundu+2 more|arXiv (Cornell University)|Aug 7, 2017

Functional Brain Connectivity Studies参考文献 42被引用数 4

ひとこと要約

本稿では、柔軟な事前分布を用いて共有ベースライン構造と条件特異的差分エッジをモデル化することで、複数の脳機能ネットワークを同時にモデリングするベイジアン共同ネットワーク学習（BJNL）手法を提案する。この手法は、既存のペナルティ付き手法と比較して検出力と推定精度が向上しており、シミュレーションとfMRIストゥーパークタスクへの応用を通じて、以前に検出されなかったネットワークの変化を明らかにした。

ABSTRACT

Brain function is organized in coordinated modes of spatio-temporal activity (functional networks) exhibiting an intrinsic baseline structure with variations under different experimental conditions. Existing approaches for uncovering such network structures typically do not explicitly model shared and differential patterns across networks, thus potentially reducing the detection power. We develop an integrative modeling approach for jointly modeling multiple brain networks across experimental conditions. The proposed Bayesian Joint Network Learning approach develops flexible priors on the edge probabilities involving a common intrinsic baseline structure and differential effects specific to individual networks. Conditional on these edge probabilities, connection strengths are modeled under a Bayesian spike and slab prior on the off-diagonal elements of the inverse covariance matrix. The model is fit under a posterior computation scheme based on Markov chain Monte Carlo. Numerical simulations illustrate that the proposed joint modeling approach has increased power to detect true differential edges while providing adequate control on false positives and achieving greater accuracy in the estimation of edge strengths compared to existing methods. An application of the method to fMRI Stroop task data provides unique insights into brain network alterations between cognitive conditions which existing graphical modeling techniques failed to reveal.

研究の動機と目的

• 異なる認知状態下における脳ネットワーク間の真の差分エッジを検出する現行手法の限界を解決すること。
• 条件間で強さを借り合いながら、共有構造と条件特異的構造を区別して複数の脳ネットワークを共同でモデリングすること。
• 個別的またはペナルティ付きグラフィカルモデリング手法と比較して、エッジ強度の推定精度を向上させるとともに、誤検出を低減すること。
• グループレベルの脳ネットワーク推論のための不確実性の定量化を可能にするベイジアンフレームワークを提供すること。
• 事前にクラスタ数を指定せずにエッジ重みの非監視クラスタリングを可能にすること。

提案手法

• エッジ確率にディリクレ過程事前分布を用いたベイジアン階層モデルを採用し、実験的条件間で共有構造と差分構造を柔軟にモデル化する。
• エッジ確率は共通のベースライン構造と条件特異的偏差を用いてモデル化され、保存的および変化した結合の同定を可能にする。
• 接続強度は、逆分散共分散行列の非対角成分にスパイクアンドスラブ事前分布を適用することでスパarsityを誘導し、エッジ選択を可能にする。
• 事後分布の計算は、ネットワーク構造を条件とする精度行列の条件付きサンプリングを実行するマルコフ連鎖モンテカルロ（MCMC）スキームにより実施される。
• モデルは、調整なしにクラスタ数を自動的に決定するエッジ重みの非監視クラスタリングを可能にする。
• 複数の条件にスケーラブルであり、計算効率を向上させるために並列化可能である。

実験結果

リサーチクエスチョン

• RQ1 独立的またはペナルティ付き推定と比較して、共同モデリングアプローチは差分脳ネットワークエッジの検出に統計的パワーを向上させることができるか？
• RQ2 柔軟な事前分布を用いたベイジアンフレームワークでは、共有構造と条件特異的構造の推定がどの程度正確に行えるか？
• RQ3 提案手法は、既存のペナルティ付き手法と比較して、誤検出の制御とより正確なエッジ強度推定を実現するか？
• RQ4 標準的なグラフィカルモデルでは見逃された、タスクベースfMRIで生物学的に意味のあるネットワーク変化を同定できるか？
• RQ5 さまざまなシミュレーションおよび実データ条件下で、ベイジアン共同モデルの性能はJGLやGLなどのペナルティ付き手法と比較して、ネットワーク差の検出において優れているか？

主な発見

• BJNL手法は、TASKとREST条件間で763の差分エッジと1211の共通エッジを検出しており、同じ分析で差分エッジを検出できなかったJGLと比べて顕著に優れた性能を示した。
• EXR対RLXの比較では、BJNLは624の差分エッジを同定したが、JGLは差分エッジを検出できなかった。これは、微細なタスク関連ネットワーク変化を検出するための高い統計的パワーを示している。
• パーミュテーションテストの結果、GLおよびJGL手法はいずれの比較でも有意な差分エッジを同定できなかったが、BJNLは生物学的に妥当な変化を検出できた。
• シミュレーションスタディでは、BJNLがエッジ強度推定においてより高い正確性を達成し、特にネットワークサイズが増加するにつれて真の差分エッジの検出パワーが向上した。
• マスアンビバリエートテストやペナルティ付きアプローチと比較して、誤発見率の制御がより良く、より信頼性の高い推論が得られた。
• ストゥーパークタスクfMRIデータへの応用では、タスク状態とリラックス状態の間のネットワーク差が、高負荷と低負荷タスク条件の差よりも顕著に検出された。これは、既知の認知的負荷効果と整合的であった。