[論文レビュー] Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso

Jérôme-Alexis Chevalier, Alexandre Gramfort+2 more|arXiv (Cornell University)|Sep 29, 2020

Photoacoustic and Ultrasonic Imaging参考文献 48被引用数 4

ひとこと要約

本稿では、空間的・時系列的MEG/EEG源イメージングのための、クラスタリングされた脱スパース化マルチタスクLasso推定器のアンサンブルであるecd-MTLassoを提案する。この手法は、誤検出の制御に関する統計的保証を提供する。脱スパース化Lassoと空間クラスタリングおよびアンサンブル化を統合することで、空間的特異性と感度の両立を図った、原理的なソースマップのしきい値設定が可能になる。

ABSTRACT

Detecting where and when brain regions activate in a cognitive task or in a given clinical condition is the promise of non-invasive techniques like magnetoencephalography (MEG) or electroencephalography (EEG). This problem, referred to as source localization, or source imaging, poses however a high-dimensional statistical inference challenge. While sparsity promoting regularizations have been proposed to address the regression problem, it remains unclear how to ensure statistical control of false detections. Moreover, M/EEG source imaging requires to work with spatio-temporal data and autocorrelated noise. To deal with this, we adapt the desparsified Lasso estimator -- an estimator tailored for high dimensional linear model that asymptotically follows a Gaussian distribution under sparsity and moderate feature correlation assumptions -- to temporal data corrupted with autocorrelated noise. We call it the desparsified multi-task Lasso (d-MTLasso). We combine d-MTLasso with spatially constrained clustering to reduce data dimension and with ensembling to mitigate the arbitrary choice of clustering; the resulting estimator is called ensemble of clustered desparsified multi-task Lasso (ecd-MTLasso). With respect to the current procedures, the two advantages of ecd-MTLasso are that i)it offers statistical guarantees and ii)it allows to trade spatial specificity for sensitivity, leading to a powerful adaptive method. Extensive simulations on realistic head geometries, as well as empirical results on various MEG datasets, demonstrate the high recovery performance of ecd-MTLasso and its primary practical benefit: offer a statistically principled way to threshold MEG/EEG source maps.

研究の動機と目的

• 特に誤 positives 検出に関して統計的制御が欠如している、スパースなMEG/EEG源イメージング手法の課題に対処する。
• 自己相関ノイズを伴う高次元的で不適切に定義された逆問題である、時空間的MEG/EEGデータを克服する。
• 神経画像法における高次元的・スパース回帰において、統計的推論の保証（例：p値、FWER制御）を提供する手法を開発する。
• 適応的クラスタリングとアンサンブル化により、空間的特異性と検出感度のトレードオフを実現する。
• 実世界のMEG/EEGデータセットに使用可能な、標準的なハードウェアでも実行可能な実用的で計算効率の良い手法を提供する。

提案手法

• 時間的相関を扱い、統計的パワーを向上させるために、脱スパース化Lasso推定器をマルチタスク設定に適応（d-MTLasso）。
• Wardの基準を用いた空間的制約付きクラスタリングを導入し、データ次元を低減し、設計行列の不適切さを緩和する。
• 複数のクラスタリング解にわたるアンサンブル化を適用し、任意のクラスタリング選択に対する感度を低下させ、耐性を高める。
• 各ソース位置に対して漸近的に正規分布に従う検定統計量を取得するため、脱スパース化推定器を用いる。これによりp値の計算が可能になる。
• 時間領域におけるAR(1)プロセスを用いて自己相関ノイズをモデル化し、推論の妥当性を向上させる。
• 推定されたp値を用いて、誤発見率（FDR）または家族-wise誤差率（FWER）制御に基づくしきい値戦略を実装する。

実験結果

リサーチクエスチョン

• RQ1 脱スパース化マルチタスクLasso推定器は、高次元的かつ自己相関のある時空間的MEG/EEGデータにおいて、有効な統計的推論（例：p値、信頼区間）を提供できるか？
• RQ2 空間クラスタリングとアンサンブル化は、統計的妥当性を保ちながら、スパース源イメージングの耐性と感度をどのように向上させ得るか？
• RQ3 調整可能なクラスタリング許容度を用いることで、空間的特異性と検出パワーのバランスをどの程度達成できるか？
• RQ4 提案されたecd-MTLasso手法は、既存のスパースまたは非スパースMEG/EEG手法と比較して、より優れた源回復と誤検出制御を達成できるか？
• RQ5 この手法は、実世界の神経画像法応用に向け、標準的なハードウェアでも効率的に展開可能か？

主な発見

• 適切な仮定（スパarsityおよび中程度の相関）のもとで、ecd-MTLassoは家族-wise誤差率（FWER）の信頼性ある統計的制御を達成する。
• 実際の頭部モデルを用いた広範なシミュレーションでは、ecd-MTLassoが高い感度と低い誤検出率で真の源を回復することが示された。
• 多数のMEGデータセットにおける実証的結果から、ecd-MTLassoはdSPM や sLORETA といった標準的手法よりも、源局在の精度が優れていることが示された。
• この手法はp値を用いた原理的なソースマップのしきい値設定を可能にし、ヒューリスティックなしきい値設定の統計的妥当な代替手段を提供する。
• 推奨設定（C=1000、20–50 ms ウィンドウ、5–10 ms サンプリング）を用いれば、標準的なハードウェアでも10分未塔で実行可能である。
• この手法は適応的である：空間的許容度（C）を増やすことで感度が向上するが、空間的特異性は低下するため、データ品質に応じてユーザーがトレードオフを調整可能である。