[論文レビュー] Brain covariance selection: better individual functional connectivity models using population prior

Gaël Varoquaux, Alexandre Gramfort+2 more|arXiv (Cornell University)|Aug 30, 2010

Functional Brain Connectivity Studies参考文献 31被引用数 166

ひとこと要約

本稿では、集団レベルのfMRIデータを活用して、個別化された高次元確率的機能的結合モデルを学習する脳共分散選択法を提案する。被験者間で共通のグラフィカルモデル構造を課すことにより、未観測データへの一般化性能が向上し、初めて、交差検証を用いたデータ駆動型の自発的脳活動モデルを提示した。このモデルは、既知の認知ネットワークを機能的結合グラフ内の統合コミュニティとして明らかにした。

ABSTRACT

Spontaneous brain activity, as observed in functional neuroimaging, has been shown to display reproducible structure that expresses brain architecture and carries markers of brain pathologies. An important view of modern neuroscience is that such large-scale structure of coherent activity reflects modularity properties of brain connectivity graphs. However, to date, there has been no demonstration that the limited and noisy data available in spontaneous activity observations could be used to learn full-brain probabilistic models that generalize to new data. Learning such models entails two main challenges: i) modeling full brain connectivity is a difficult estimation problem that faces the curse of dimensionality and ii) variability between subjects, coupled with the variability of functional signals between experimental runs, makes the use of multiple datasets challenging. We describe subject-level brain functional connectivity structure as a multivariate Gaussian process and introduce a new strategy to estimate it from group data, by imposing a common structure on the graphical model in the population. We show that individual models learned from functional Magnetic Resonance Imaging (fMRI) data using this population prior generalize better to unseen data than models based on alternative regularization schemes. To our knowledge, this is the first report of a cross-validated model of spontaneous brain activity. Finally, we use the estimated graphical model to explore the large-scale characteristics of functional architecture and show for the first time that known cognitive networks appear as the integrated communities of functional connectivity graph.

研究の動機と目的

• 限られたノイズの多い個別fMRIデータから信頼性の高い全脳機能的結合モデルを学習する課題に対処すること。
• 複数被験者の集団データと共有構造的事前知識を活用することで、被験者固有のばらつきとデータ不足を克服すること。
• 既存の正則化手法よりも、新しいデータへの一般化性能が優れている手法を開発すること。
• 未観測データに対する交差検証を用いて、モデルの予測力の実証的検証を行うこと。
• コミュニティ構造解析を通じて、大規模な機能的結合グラフと既知の認知ネットワークを結びつけること。

提案手法

• 共通の集団構造を持つ多変量ガウス・グラフィカル・モデルとして、個別脳機能的結合を定式化する。
• ℓ1およびℓ21正則化を用いて、スパarsityと集団レベルの一貫性を強制する複数のグラフィカルモデルの共同推定を適用する。
• 未観測データに対するモデル一般化性能を評価するための交差検証スキームを用いる。
• 機能的コミュニティ間の統合と分離を定量化するために、条件付き相互情報量とガウスエントロピーを用いる。
• コミュニティ統合の可視化のため、ラプラシアン埋め込みを用いて領域を順序付けする。
• 個別ばらつきと集団レベル構造のバランスを取る正則化を用いて、fMRI時系列から精度行列を推定する。

実験結果

リサーチクエスチョン

• RQ1 限られたfMRIデータから学習される個別機能的結合モデルの一般化性能は、集団事前知識によって向上するか？
• RQ2 推定された機能的結合グラフに同定されたコミュニティは、既知の認知ネットワークに対応するか？
• RQ3 本手法は、代替の正則化手法と比較して、未観測データにおける予測性能で優れているか？
• RQ4 モデルは大規模脳ネットワークの統合と分離の性質をどの程度捉えているか？
• RQ5 完全にデータ駆動的で教師なしの自発的脳活動モデルは、交差検証によって検証可能か？

主な発見

• 交差検証を用いた検証により、本手法は代替の正則化手法と比較して、未観測データにおける優れた一般化性能を達成した。
• 推定された機能的結合グラフは、デフォルトモード、前頭頭頂連合、視覚経路といった既知の認知ネットワークを、明確で統合されたコミュニティとして明らかにした。
• ℓ21正則化モデルはより小さな、より分離したコミュニティを同定したが、ℓ1正則化モデルは特に視覚経路のようなシステムで広範な統合を示した。
• 条件付き相互情報量とエントロピー測定は、グラフ構造が脳における既知の機能的統合と分離の原則を反映していることを確認した。
• 本研究は、全脳のデータ駆動型確率的モデルとして、初めて交差検証による証拠を提示した。
• 結果は、集団事前知識を用いた複数のグラフィカルモデルの共同推定が、個別被験者モデルの予測精度を向上させることを示した。