[論文レビュー] Spectral Dynamic Causal Modelling: A Didactic Introduction and its Relationship with Functional Connectivity

Leonardo Novelli, Karl Friston+1 more|arXiv (Cornell University)|Jun 23, 2023

Functional Brain Connectivity StudiesNeuroscience被引用数 3

ひとこと要約

本稿は、resting-state fMRI から効果的結合を推定するためのベイジアン状態空間法であるスペクトル動的因果モデル（DCM）について、教育的入門を提供する。この手法は、相互スペクトル密度をモデル化することで機能的結合パターンを再現する。効果的結合パラメータが、ゼロラグ相関を含むすべてのペアワイズ相関を形作ることを示しているが、機能的結合の変化が最も大きい領域が、常に効果的結合の変化が最も大きい領域と一致するわけではない。

ABSTRACT

We present a didactic introduction to spectral Dynamic Causal Modelling (DCM), a Bayesian state-space modelling approach used to infer effective connectivity from non-invasive neuroimaging data. Spectral DCM is currently the most widely applied DCM variant for resting-state functional MRI analysis. Our aim is to explain its technical foundations to an audience with limited expertise in state-space modelling and spectral data analysis. Particular attention will be paid to cross-spectral density, which is the most distinctive feature of spectral DCM and is closely related to functional connectivity, as measured by (zero-lag) Pearson correlations. In fact, the model parameters estimated by spectral DCM are those that best reproduce the cross-correlations between all measurements--at all time lags--including the zero-lag correlations that are usually interpreted as functional connectivity. We derive the functional connectivity matrix from the model equations and show how changing a single effective connectivity parameter can affect all pairwise correlations. To complicate matters, the pairs of brain regions showing the largest changes in functional connectivity do not necessarily coincide with those presenting the largest changes in effective connectivity. We discuss the implications and conclude with a comprehensive summary of the assumptions and limitations of spectral DCM.

研究の動機と目的

• 状態空間やスペクトル解析にあまり背景知識のない研究者を対象に、スペクトル動的因果モデル（DCM）について教育的入門を提供すること。
• スペクトル DCM の技術的基盤、特にそのコアとなるデータ要約統計量としての相互スペクトル密度の使用を明確にすること。
• スペクトル DCM によって推定される効果的結合と、ゼロラグ相関によって測定される機能的結合との関係を説明すること。
• 効果的結合と機能的結合の間の一意でないマッピングを強調し、モデル解釈への影響を明らかにすること。
• 実用的応用の観点から、スペクトル DCM の主な仮定、限界、計算上の考慮事項を要約すること。

提案手法

• スペクトル DCM は、周波数ドメインにおける神経活動のダイナミクスとその相互作用を記述するため、線形で連続時間の状態空間モデルを用いる。
• 観測された fMRI 時系列の相互スペクトル密度を、自己共分散関数のフーリエ変換から導かれる主なデータ要約統計量としてモデル化する。
• ベイジアン逆問題を変分ラプラス法により解き、効果的結合やノイズ特性を含むモデルパラメータを推定する。
• モデルパラメータは事前分布によって制約され、推定の効率化を図るため、結合パラメータには正規分布（または対数正規分布）の事前分布を用いる。
• 標準的な DCM が仮定するホワイトノイズの仮定を緩和し、時間的に相関のある内因的フラクチュエーションを許容する。
• 機能的結合は、観測時系列間のゼロラグ共分散としてモデルから導出され、[-1,1] の区間に正規化される。

Figure 1: The distinctive feature of spectral Dynamic Causal Modelling (DCM) is the focus on modelling the measured cross-spectral density (top right), which is a second-order summary statistic of the time-series data. This is closely related to Pearson’s correlation (bottom left), another second-or

実験結果

リサーチクエスチョン

• RQ1 スペクトル DCM は、fMRI 時系列の相互スペクトル密度をどのようにモデル化することで機能的結合を推定するか？
• RQ2 スペクトル DCM における効果的結合とゼロラグ機能的結合との間の数学的および概念的関係は何か？
• RQ3 なぜ、機能的結合に最も大きな変化を示す領域が、常に効果的結合に最も大きな変化を示す領域と一致しない可能性があるのか？
• RQ4 識別可能性と計算複雑性に特に注意を払う場合、スペクトル DCM の主な仮定と限界は何か？
• RQ5 機能的結合を、スペクトル DCM の事前制約を強化し、モデル仕様の改善とスケーラビリティ向上に活用するには、どのように利用できるか？

主な発見

• スペクトル DCM は、観測された相互スペクトル密度を最もよく再現するように、効果的結合パラメータを推定する。この再現には、すべての時間遅れ相関が含まれる。
• 時系列間のゼロラグ相関（一般的に機能的結合と解釈される）は、モデルのパラメータ推定の直接的結果である。
• 単一の効果的結合パラメータの変化が、直接接続されたペアだけでなく、複数の脳領域ペアにおける機能的結合に影響を与えることがある。
• 効果的結合と機能的結合の間の1対1マッピングがないため、機能的結合の変化が最も大きい領域が、必ずしも効果的結合の変化が最も大きい領域とは限らない。
• スペクトル DCM は、時間的に相関のある内因的フラクチュエーションを許容することで、ホワイトノイズ仮定を緩和し、生物学的妥当性を高めている。
• 利点がある一方で、不適切に定義された逆問題と高い計算コストのため、特に大規模な脳ネットワークでは、事前制約やモデル簡略化技術の導入が不可欠である。

Figure 2: The role of the effective connectivity parameters in a deterministic linear system with two variables. The parameter $a_{12}$ determines the instantaneous rate of response of $x_{1}$ to an input from $x_{2}$ . In this example, the input is constant with duration $\Delta t$ . The initial sl