[論文レビュー] GP CaKe: Effective brain connectivity with causal kernels

Luca Ambrogioni, Max Hinne+2 more|arXiv (Cornell University)|May 16, 2017

Functional Brain Connectivity Studies被引用数 4

ひとこと要約

GP CaKe は、確率的積分微分方程式とガウス過程回帰により学習される因果カーネルを用いて、有効脳結合を非パラメトリックベイズ枠組みでモデル化する。因果性、時間的滑らかさ、局所化を新たな共分散関数によって強制することで、多次元自己回帰法よりも高い精度を達成し、MEGデータにおける状態依存的結合パターンを明らかにする。

ABSTRACT

A fundamental goal in network neuroscience is to understand how activity in one region drives activity elsewhere, a process referred to as effective connectivity. Here we propose to model this causal interaction using integro-differential equations and causal kernels that allow for a rich analysis of effective connectivity. The approach combines the tractability and flexibility of autoregressive modeling with the biophysical interpretability of dynamic causal modeling. The causal kernels are learned nonparametrically using Gaussian process regression, yielding an efficient framework for causal inference. We construct a novel class of causal covariance functions that enforce the desired properties of the causal kernels, an approach which we call GP CaKe. By construction, the model and its hyperparameters have biophysical meaning and are therefore easily interpretable. We demonstrate the efficacy of GP CaKe on a number of simulations and give an example of a realistic application on magnetoencephalography (MEG) data.

研究の動機と目的

• 有効結合推定における統計的自己回帰モデルと生物学的に解釈可能な動的因果モデル（DCM）の間のギャップを埋めること。
• 固定されたパrametric形式を仮定せずに、因果的相互作用カーネルを学習する非パラメトリック手法を開発すること。
• 新しい共分散関数クラスを用いて、推定された結合カーネルにおける因果性、時間的滑らかさ、局所化を保証すること。
• 結合カーネルの事後分布を閉形式で提供し、変分近似を必要としない効率的なベイズ推論を可能にすること。
• シミュレートデータと実際のMEG記録を用いて手法を検証し、認知状態依存の結合変化を検出できる能力を示すこと。

提案手法

• 神経ニューロン集団の活動を、内在的ダイナミクスを表す線形微分作用素を用いた確率的積分微分方程式でモデル化する。
• 集団間の有効結合を、因果的畳み込みカーネルで表現し、負の時間遅れに対してゼロとなるように制約することで因果性を保証する。
• 時間的局所化、滑らかさ、因果性を事前制約として組み込んだ、新しい因果的共分散関数の族を導入する。
• ガウス過程回帰を適用して、閉形式で因果カーネルの事後分布を非パラメトリックに学習する。
• 階層ベイズモデルを用いて、結合カーネルとモデルハイパーパrameterを同時に推定し、生物学的解釈可能性を保つ。
• 時間的滑らかさ、シフト、局所化パラメータを用いてカーネル推定を正則化し、ノイズに対するロバストネスを向上させる。

実験結果

リサーチクエスチョン

• RQ1 非パラメトリックベイズ手法は、標準的な正則化付き多次元自己回帰モデルよりも、有効結合推定において著しく高い精度を達成できるか？
• RQ2 ガウス過程回帰を用いて、因果性や時間的滑らかさといった生物学的に妥当な制約を強制しながら、因果カーネルを閉形式で学習できるか？
• RQ3 本手法は、実際のMEGデータにおいて意味のある状態依存的変化を有効結合に検出できるか？
• RQ4 推定された因果カーネルは、振動や伝導遅延といった既知の神経生理的ダイナミクスをどのように反映しているか？
• RQ5 今後の研究において、構造的結合の組み込みや非線形ダイナミクスの統合をこのフレームワークに拡張できるか？

主な発見

• シミュレーション研究において、GP CaKe は正則化付き多次元自己回帰法と比較して、有効結合推定において桁違いの高い精度を達成した。
• 本手法は、MEGデータにおいて認知状態ごとに明確に異なる有効結合パターンを同定でき、聴覚注意時に後頭側頭連合領域へのパラピエタル領域からのαバンド影響が抑制されることを示した。
• 聴覚皮質と後頭皮質の間の結合は、安静状態において顕著に強く、状態依存的な機能的アーキテクチャを示している。
• 推定された因果カーネルは明確な時間的構造を示し、伝導遅延や周期的ダイナミクスに対応するピークを示しており、生物学的に妥当な相互作用を反映している。
• 閉形式の事後推論により、計算的に高負荷な近似を必要とせず、効率的かつロバストな推定が可能である。
• 本フレームワークは高い解釈可能性を示しており、モデルハイパーパrameterやカーネルは、振動のピーク周波数や減衰などの直接的な生物学的意味を持つ。