[論文レビュー] Optimizing Differential Identifiability Improves Connectome Predictive Modeling of Cognitive Deficits in Alzheimer's Disease

Diana Otero Svaldi, Joaquín Goñi+9 more|arXiv (Cornell University)|Aug 16, 2019

Functional Brain Connectivity Studies参考文献 55被引用数 5

ひとこと要約

本研究は、接続プロファイル予測モデリングと微分同定可能性を統合することで、安静状態fMRI機能的接続プロファイルの信頼性と個別特異性を向上させ、アルツハイマー病における認知機能障害の予測を著しく改善した。個別ネットワークフィンガープリントを最適化することで、特定の認知機能障害に関連する頑健な機能的ネットワークを同定し、個別化された接続プロファイルベースの認知機能モデリングを前進させた。

ABSTRACT

Functional connectivity, as estimated using resting state fMRI, has shown potential in bridging the gap between pathophysiology and cognition. However, clinical use of functional connectivity biomarkers is impeded by unreliable estimates of individual functional connectomes and lack of generalizability of models predicting cognitive outcomes from connectivity. To address these issues, we combine the frameworks of connectome predictive modeling and differential identifiability. Using the combined framework, we show that enhancing the individual fingerprint of resting state functional connectomes leads to robust identification of functional networks associated to cognitive outcomes and also improves prediction of cognitive outcomes from functional connectomes. Using a comprehensive spectrum of cognitive outcomes associated to Alzheimer's disease, we identify and characterize functional networks associated to specific cognitive deficits exhibited in Alzheimer's disease. This combined framework is an important step in making individual level predictions of cognition from resting state functional connectomes and in understanding the relationship between cognition and connectivity.

研究の動機と目的

• 安静状態fMRIにおける個別機能的接続プロファイル推定の信頼性の低さが、臨床的応用を妨げているという問題に対処する。
• アルツハイマー病において、機能的結合と認知的成果との間の関係をモデル化する際の一般化可能性と予測力の向上を図る。
• より頑健な接続プロファイルモデリングフレームワークを用いて、アルツハイマー病における特定の認知機能障害と関連する機能的ネットワークを同定する。
• 機能的接続プロファイルの個別フィンガープリントを強化することで、同定可能性と予測精度を向上させる手法を開発する。

提案手法

• 著者らは、個別機能的接続プロファイルの独自性を高めるフレームワークである微分同定可能性を、接続プロファイル予測モデリングと統合した。
• 機能的接続プロファイルの微分同定可能性を最適化するために、結合推定における信号の一貫性と個別特異性のバランスを調整した。
• この手法は、安定した個別特異的ネットワークパターンを促進するとともに、意味のある機能的ネットワーク組織を維持する正則化スキームを用いる。
• 多変量回帰を用いて、最適化された接続プロファイルから包括的な認知的成果を予測する接続プロファイル予測モデリングを実施した。
• フレームワークは、アルツハイマー病神経画像行動研究計画（ADNI）の大きなコhortを用いて検証された。
• 統計的モデリングにより、最適化された接続プロファイルとアルツハイマー病に関連する複数の認知的ドメインにおける認知機能との関係が評価された。

実験結果

リサーチクエスチョン

• RQ1 安静状態fMRIから得られる機能的接続プロファイルの微分同定可能性を最適化することで、その信頼性と個別特異性が向上するか？
• RQ2 最適化された接続プロファイルを用いる場合、アルツハイマー病における特定の認知機能障害と強く関連する機能的ネットワークは何か？
• RQ3 接続プロファイルの個別フィンガープリントを強化することで、標準的な接続プロファイルモデリングと比較して、認知的成果の予測精度が向上するか？
• RQ4 提案されたフレームワークは、アルツハイマー病で影響を受ける複数の認知的ドメインに一般化できるか、その範囲はどの程度か？

主な発見

• 微分同定可能性の最適化により、機能的接続プロファイルの個別フィンガープリントが顕著に向上し、より安定的かつ一意なネットワーク表現が得られた。
• 最適化された接続プロファイルは、記憶、実行機能、言語といった複数のドメインにおける特定の認知機能障害とより強くかつ一貫した関連を示した。
• 微分同定可能性が向上した接続プロファイルを用いることで、ベースラインモデルと比較して認知的成果の予測精度が向上した。
• フレームワークは、アルツハイマー病における異なる認知機能障害と関連する明確な機能的ネットワークを同定するのに成功した。例えば、記憶障害に関連するデフォルトモードネットワークの変化が明らかになった。
• この手法は多様な認知的成果に対して頑健であることが確認され、臨床的応用における個別化された予測の可能性を支持した。
• 補足的分析により、改善効果は過学習によるものではなく、信号特異性の向上と個別ネットワークの安定性の向上に起因することが確認された。