[論文レビュー] Information flow between resting state networks

Ibai Díez, Asier Erramuzpe+7 more|arXiv (Cornell University)|May 13, 2015

Neural dynamics and brain function参考文献 44被引用数 7

ひとこと要約

本研究では、静止状態fMRIデータを用いて、血流反応関数の非畳み込み、主成分分析（PCA）、および移動エントロピーを用いて、静止状態ネットワーク（RSNs）間の情報フロー（IF）を定量化する新規手法を提案する。主な発見は、k=5の主成分でIFがピークに達することであり、5つの成分が主要なネットワーク間ダイナミクスを捉えていることを示唆している。アルツハイマー病（AD）では、対照群と比較してk=2でIFが顕著に上昇している。

ABSTRACT

The resting brain dynamics self-organizes into a finite number of correlated patterns known as resting state networks (RSNs). It is well known that techniques like independent component analysis can separate the brain activity at rest to provide such RSNs, but the specific pattern of interaction between RSNs is not yet fully understood. To this aim, we propose here a novel method to compute the information flow (IF) between different RSNs from resting state magnetic resonance imaging. After haemodynamic response function blind deconvolution of all voxel signals, and under the hypothesis that RSNs define regions of interest, our method first uses principal component analysis to reduce dimensionality in each RSN to next compute IF (estimated here in terms of Transfer Entropy) between the different RSNs by systematically increasing k (the number of principal components used in the calculation). When k = 1, this method is equivalent to computing IF using the average of all voxel activities in each RSN. For k greater than one our method calculates the k-multivariate IF between the different RSNs. We find that the average IF among RSNs is dimension-dependent, increasing from k =1 (i.e., the average voxels activity) up to a maximum occurring at k =5 to finally decay to zero for k greater than 10. This suggests that a small number of components (close to 5) is sufficient to describe the IF pattern between RSNs. Our method - addressing differences in IF between RSNs for any generic data - can be used for group comparison in health or disease. To illustrate this, we have calculated the interRSNs IF in a dataset of Alzheimer's Disease (AD) to find that the most significant differences between AD and controls occurred for k =2, in addition to AD showing increased IF w.r.t. controls.

研究の動機と目的

• 脳内の静止状態ネットワーク（RSNs）間の動的相互作用を、静的相関を越えて理解すること。
• fMRIを用いて、方向性のある情報フロー（IF）を定量化するデータ駆動型手法を開発すること。
• 主成分の数（k）に応じてIFがどのように変化するかを、ネットワークの複雑さの異なるレベルを反映させながら調査すること。
• 本手法をアルツハイマー病（AD）におけるネットワーク間情報フローの障害的変化を検出するために適用すること。
• 健康状態と疾患状態におけるグループ比較に適したスケーラブルで多次元のフレームワークを提供すること。

提案手法

• 神経活動を回復するために、ヘモダイナミックリスポンス関数（HRF）を用いてボクセルレベルのfMRI信号を非畳み込みし、HRF形状の事前知識を必要としない。
• 独立成分分析（ICA）を用いて領域を関心領域（ROI）として定義し、各RSNに対して主成分分析（PCA）を適用して次元削減を行う。
• 多変量移動エントロピー（TE）を用いてRSNs間の情報フローを測定し、主成分の数（k）を1から10まで段階的に増加させる。
• k=1は各RSNの平均活動を表し、k>1は複数の成分にわたる多次元的相互作用をモデル化する。
• kの関数として情報フローを推定し、主要なネットワーク間ダイナミクスを捉える最適な成分数を特定する。
• アルツハイマー病（AD）患者と健康対照群のデータセットを用いて、本手法の妥当性を検証し、IFにおけるグループ差を検出する。

実験結果

リサーチクエスチョン

• RQ1 各ネットワークを表現するための主成分の数（k）に応じて、静止状態ネットワーク間の情報フローはどのように変化するか？
• RQ2 RSNs間の情報フローの主要パターンを捉える最適な成分数（k）は何か？
• RQ3 アルツハイマー病患者と健康対照群の間で、RSNs間の情報フローに有意な差が認められるか？
• RQ4 多次元的情報フロー（k>1）は、平均活動（k=1）では捉えきれない相互作用のパターンを明らかにするか？
• RQ5 提案手法は、特にアルツハイマー病において、疾患特異的なネットワークダイナミクスの変化を検出できるか？

主な発見

• RSNs間の情報フローは、主成分の数（k）に強く依存しており、k=1からk=5まで増加し、k>10でゼロへと減少する。
• 情報フローのピークはk=5で発生し、5つの主成分が主要なネットワーク間通信パターンを記述するのに十分であることを示している。
• k=2において、アルツハイマー病患者のIFは健康対照群と比較して顕著に高いことが示され、ADにおけるネットワークダイナミクスの変化を示唆している。
• 本手法により、多次元的情報フロー（k>1）が平均活動（k=1）よりも洗練されたネットワーク相互作用を捉えていることが明らかになった。k=1では動的結合性が低く評価される。
• k=10を超えてIFが減少する傾向は、高次の成分が意味のある情報伝達にほとんど寄与しないことを示しており、ネットワーク解析における次元削減の有効性を支持する。
• 結果として、本手法が神経変性疾患（特にアルツハイマー病）における脳ネットワークダイナミクスのグループ差を感受的に検出可能であることが示された。