[論文レビュー] Bayesian modeling of multiple structural connectivity networks during the progression of Alzheimer's disease

Christine B. Peterson, Nathan Osborne+4 more|arXiv (Cornell University)|Jan 1, 2020

Bioinformatics and Genomic Networks参考文献 31被引用数 19

ひとこと要約

本稿では、アルツハイマー病の進行段階（健常対照群、軽度認知障害、アルツハイマー病）における皮質厚さデータを用いて、複数の構造的脳結合ネットワークを同時に推定するベイジアンガウス graphical モデルを提案する。グループ間で精度行列のエントリを共有する階層的事前分布を用いることで、エッジの存在だけでなくエッジ強度の類似性も柔軟にモデル化し、推定精度を向上させるとともに、疾患進行に伴い側頭小脳連合の結合性が低下するなど、重要な損傷を同定する。

ABSTRACT

Alzheimer's disease is the most common neurodegenerative disease. The aim of this study is to infer structural changes in brain connectivity resulting from disease progression using cortical thickness measurements from a cohort of participants who were either healthy control, or with mild cognitive impairment, or Alzheimer's disease patients. For this purpose, we develop a novel approach for inference of multiple networks with related edge values across groups. Specifically, we infer a Gaussian graphical model for each group within a joint framework, where we rely on Bayesian hierarchical priors to link the precision matrix entries across groups. Our proposal differs from existing approaches in that it flexibly learns which groups have the most similar edge values, and accounts for the strength of connection (rather than only edge presence or absence) when sharing information across groups. Our results identify key alterations in structural connectivity that may reflect disruptions to the healthy brain, such as decreased connectivity within the occipital lobe with increasing disease severity. We also illustrate the proposed method through simulations, where we demonstrate its performance in structure learning and precision matrix estimation with respect to alternative approaches.

研究の動機と目的

• アルツハイマー病の進行段階に跨る複数の構造的結合ネットワークの共同推定手法を開発すること。
• 精度行列におけるエッジ強度のグループ間類似性（エッジの有無・無しのモデル化にとどまらず）をモデル化すること。
• 個別推定やペナルティ付き手法と比較して、推定精度と不確実性の定量化を向上させること。
• 疾患重症度の増加に関連する生物学的に意味のある結合性の損傷を同定すること。
• 不確実性とグループ間類似性を定量化できる柔軟でスケーラブルなベイジアンアプローチを提供すること。

提案手法

• 複数のグループ（例：HC, MCI, AD）を対象とした、共同ベイジアンガウス graphical モデルフレームワークを提案。
• グループ間で強度の借用を誘導する精度行列エントリに対する階層的事前分布を用い、エッジ値の類似性をモデル化。
• 正定値行列 Φ を用いてグループ間類似性の事後推定を表し、(0,1) 内の値は共有接続の相対的強度を示す。
• 精度行列に G-ワイシャルト事前分布を採用し、効率的な MCMC サンプリングのための混合事前分布を導入。
• 精度行列に共同事前分布を適用し、データ駆動型でどのグループが類似した結合パターンを持つのかを柔軟に学習可能にする。
• 事後推定のため MCMC サンプリングを実行し、10,000 ステップのバーニングと 20,000 回の反復を実施。中央値モデルと MCMC 平均精度行列を推定値として採用。

実験結果

リサーチクエスチョン

• RQ1 複数のアルツハイマー病進行段階に跨る構造的脳結合ネットワークを、共有されるエッジ強度を考慮して共同で推定する方法は何か？
• RQ2 疾患重症度の増加に伴い、どの脳領域の結合性に最も顕著な損傷が見られるか？
• RQ3 グループ間でエッジ強度の類似性をモデル化することで、エッジの有無・無しのみをモデル化する手法と比較して、ネットワーク推定精度がどのように向上するか？
• RQ4 健常対照群、MCI、AD 患者の間で、精度行列構造の観点からネットワーク類似性の程度はどの程度か？
• RQ5 lassoベースの手法や個別ベイジアン手法と比較して、本手法は真の差異エッジをよりよく同定できるか、誤検出を最小限に抑えることができるか？

主な発見

• シミュレーション研究において、本手法は、個別ベイジアン推定とlassoベース手法と比較して、最高のマシューリング相関係数（MCC）と receiver operating characteristic 曲線下積（AUC）を達成した。
• 個別ベイジアン推定と比較して、本手法は真の結合数をより多く同定した。これは、グループ間での情報共有の恩恵を示している。
• 融合グラフィカルlassoは、一様なペナルティパラメータが異種のグループ類似性を捉えられず、過剰に密集したグラフと高い偽陽性率を示した。
• 類似性行列 Φ の事後推定では、健常対照群とMCI群が最も類似していた（Φ = 0.65）、次にMCIとAD群（Φ = 0.64）、健常対照群とAD群（Φ = 0.63）であった。これは疾患段階の進行に伴い類似性が徐々に低下することを示している。
• 実データ解析では、疾患重症度の増加に伴い、頭頂小葉内での結合性が低下していることが同定された。これは既知の神経変性パターンと整合的である。
• 本手法ではフロベニウスノルム損失が最小化され、精度行列推定の優れた精度を示している。