[論文レビュー] Bayesian Mixed Effect Sparse Tensor Response Regression Model with Joint Estimation of Activation and Connectivity

Daniel Spencer, Rajarshi Guhaniyogi+1 more|arXiv (Cornell University)|Mar 30, 2019

Tensor decomposition and applications参考文献 36被引用数 4

ひとこと要約

本稿では、多被験者fMRIデータにおいてボクセルレベルの脳活性化と領域間の機能的結合（ROI結合）を同時に推定するベイジアン混合効果スパーステンソル応答回帰モデルを提案する。低ランクPARAFACテンソル分解と多方向スティック・ブレイキング縮約事前分布、およびベイジアンガウスマルコフグラフィカルモデルを組み合わせることで、活性化と結合パターンの同時かつ不確実性を伴う推定が可能となり、ベクトル化手法に比べてバブルアナログリスク遂行課題におけるリスク関連脳反応の同定で優れた性能を示した。

ABSTRACT

Brain activation and connectivity analyses in task-based functional magnetic resonance imaging (fMRI) experiments with multiple subjects are currently at the forefront of data-driven neuroscience. In such experiments, interest often lies in understanding activation of brain voxels due to external stimuli and strong association or connectivity between the measurements on a set of pre-specified group of brain voxels, also known as regions of interest (ROI). This article proposes a joint Bayesian additive mixed modeling framework that simultaneously assesses brain activation and connectivity patterns from multiple subjects. In particular, fMRI measurements from each individual obtained in the form of a multi-dimensional array/tensor at each time are regressed on functions of the stimuli. We impose a low-rank PARAFAC decomposition on the tensor regression coefficients corresponding to the stimuli to achieve parsimony. Multiway stick breaking shrinkage priors are employed to infer activation patterns and associated uncertainties in each voxel. Further, the model introduces region specific random effects which are jointly modeled with a Bayesian Gaussian graphical prior to account for the connectivity among pairs of ROIs. Empirical investigations under various simulation studies demonstrate the effectiveness of the method as a tool to simultaneously assess brain activation and connectivity. The method is then applied to a multi-subject fMRI dataset from a balloon-analog risk-taking experiment in order to make inference about how the brain processes risk.

研究の動機と目的

• 多被験者fMRIデータにおいてボクセルレベルの脳活性化とROIレベルの機能的結合を同時にモデル化する課題に対処すること。
• 神経画像データのテンソル構造を保持する計算的に実行可能で統計的に妥当なベイジアンフレームワークを構築すること。
• 分離またはベクトル化された解析の制限を避けるために、不確実性を定量化した活性化と結合の同時推論を可能にすること。
• 複数被験者にわたる高次元fMRIデータがもたらす計算的およびモデリング上の課題を克服すること。
• 神経画像学を超えて他のテンソル値データに応用可能な柔軟でオープンソースのモデリング手法を提供すること。

提案手法

• fMRI時系列をテンソル値応答変数とし、刺激を予測子とするベイジアン混合効果テンソル応答回帰モデルを定式化する。
• モデルの単純化と次元削減を図るため、テンソル回帰係数に低ランクPARAFAC分解を適用する。
• ボクセルレベルでの顕著な活性化パターンの同定と不確実性の定量化に、多方向スティック・ブレイキング縮約事前分布を用いる。
• 領域特異的ランダム効果をベイジアンガウスマルコフグラフィカルモデルと同時にモデル化し、ROI間の機能的結合を推定する。
• MCMCサンプリングを用いた事後分布推論を行い、有効サンプルサイズとDICを用いて収束性とモデル適合度を評価する。
• Rを用いてcodaパッケージを活用し、事後診断および活性化・結合パターンの可視化を実装する。

実験結果

リサーチクエスチョン

• RQ1 多被験者fMRIデータにおいて、ボクセルレベルの活性化とROIレベルの機能的結合を統一したベイジアンフレームワークで同時に推定できるか？
• RQ2 fMRIデータのテンソル構造を保持することで、ベクトル化応答モデルに比べて推定精度がどのように向上するか？
• RQ3 低ランクテンソル分解は、神経画像データにおける意味のある活性化および結合パターンの同定にどのような影響を及えるか？
• RQ4 異なるランクモデルにおける活性化および結合推定の不確実性は、モデルがどの程度適切に定量化できるか？
• RQ5 領域特異的ランダム効果とグラフィカル事前分布を組み込むことで、生物学的に妥当な結合ネットワークの検出がどのように向上するか？

主な発見

• ランク3モデルが、テストされた5つのランクモデルの中で最小のデビアンス情報基準（DIC）値22.5428を達成し、最も良好な全体的なモデル適合を示した。
• ランク3のテンソルモデルは、特に前頭前野において、ベクトル化GDPモデルに比べて活性化強度の推定がより明確に分離された結果を示し、感度の向上を示した。
• 事後中央値係数推定値から、高いリスク認識が前頭前野および島皮質での血流増加と関連していることが明らかになった一方、後頭側頭皮質では血流が減少していた。
• モデルは前頭前野と島皮質、parietal lobe、および尾状体の間で顕著な正の偏相関を同定し、後頭側頭皮質とは顕著な負の偏相関を同定した。
• 事後サンプルの有効サンプルサイズは一貫して高く（中央値ESS ≥ 845）、混合状態が良好で、信頼性の高い事後推論が可能であった。
• 提案されたテンソルモデルはDICにおいてベクトル化GDPモデルを著しく上回り、空間的に分解能の高い、より洗練された活性化および結合パターンを提供した。