[논문 리뷰] Bayesian inference on group differences in brain networks

Daniele Durante, David B. Dunson|arXiv (Cornell University)|2014. 11. 24.

Functional Brain Connectivity Studies인용 수 5

한 줄 요약

이 논문은 효율적인 깁스 샘플러를 통해 유연하고 다중성 보정이 된 전반적 및 국소적 가설 검정을 가능하게 하는, 낮은 질량 분해의 종속 혼합을 이용한 베이지안 비모수 모델을 제안한다. 이는 뇌 네트워크 구조의 그룹 간 차이를 탐지하기 위한 것으로, 창의성과 신경정신의학적 및 인지 네트워크 변동성에 대한 새로운 통찰을 제공한다.

ABSTRACT

Network data are increasingly available along with other variables of interest. Our motivation is drawn from neurophysiology studies measuring a brain activity network for each subject along with a categorical variable, such as presence or absence of a neuropsychiatric disease, creativity groups or type of ability. We develop a Bayesian approach for inferences on group differences in the network structure, allowing global and local hypothesis testing adjusting for multiplicity. Our approach allows the probability mass function for network-valued data to shift nonparametrically between groups, via a dependent mixture of low-rank factorizations. An efficient Gibbs sampler is defined for posterior computation. We provide theoretical results on the flexibility of the model and assess testing performance in simulations. The approach is applied to provide novel results showing relationships between human brain networks and creativity.

연구 동기 및 목표

• 질병 상태 또는 창의성 수준과 같은 범주형 그룹 변수를 가진 신경생리학적 연구에서 뇌 네트워크 구조의 그룹 간 차이를 탐지하기 위한 베이지안 프레임워크를 개발하는 것.
• 네트워크 값 데이터에서 다중 검정 문제를 해결하기 위해 일관된 확률 모델 내에서 다중성 보정을 통합하는 것.
• 고정된 비모수 형태를 가정하지 않고 네트워크 값 데이터의 확률 질량 함수에 대한 비모수적이고 탄력적인 이동을 허용하는 것.
• 네트워크 전체 수준과 간선별 수준에서의 추론을 지원하는 전반적 및 국소적 가설 검정을 가능하게 하는 것.
• 네트워크 값 데이터 및 그룹 비교에 특화된 깁스 샘플러를 사용한 계산 효율적인 사후 분포 계산 방법을 제공하는 것.

제안 방법

• 모델은 네트워크 값 데이터의 비모수적이고 그룹에 의존하는 모델링을 가능하게 하기 위해 낮은 질량 분해의 종속 디리클레 프로세스 혼합을 사용한다.
• 낮은 질량 분해는 네트워크 구조를 표현하기 위해 사용되며, 차원 축소와 복잡한 뇌 연결 패턴의 효율적 표현을 가능하게 한다.
• 공유된 기저 측도를 가진 스틱 브레이킹 과정을 통해 그룹별 혼합 성분 간의 의존성을 유도함으로써 네트워크 분포의 그룹별 이동을 허용한다.
• 깁스 샘플러는 사후 분포 계산을 위해 설계되며, 반복적으로 그룹별 요인 분해, 성분 할당 및 초모수를 업데이트한다.
• 가설 검정은 그룹 간 차이의 사후 확률을 통해 수행되며, 다중성 보정은 베이지안 모델 선택 및 위임 오류율 제어를 통해 이루어진다.
• 후방 오즈와 신뢰 구간을 사용하여 전반적 검정(전체 네트워크 구조의 차이)과 국소적 검정(개별 간선 또는 하위 네트워크의 차이)을 모두 지원한다.

실험 결과

연구 질문

• RQ1 기본 네트워크 분포가 그룹 간에 비모수적으로 이동할 수 있을 때, 어떻게 뇌 네트워크 구조의 그룹 간 차이를 탄력적으로 탐지할 수 있는가?
• RQ2 제안된 베이지안 모델이 네트워크 간선 또는 하위 네트워크 간 다중 검정에서 다중성 보정을 얼마나 효과적으로 수행하는가?
• RQ3 이 모델은 창의성 또는 정신신경질환과 관련된 뇌 네트워크 조직의 의미 있는 차이를 어느 정도 탐지할 수 있는가?
• RQ4 혼합 성분 내 의존성 구조가 독립적 그룹 모델링에 비해 추론을 어떻게 향상시키는가?
• RQ5 시뮬레이션 연구에서 이 방법은 네트워크 수준 및 간선 수준의 진짜 차이를 식별하는 데 얼마나 높은 실용적 검정력과 정확도를 가지는가?

주요 결과

• 제안된 베이지안 모델은 시뮬레이션 환경에서 그룹 간 네트워크 값 데이터 분포의 비모수적 이동을 잘 포착하는 강력한 탄력성을 보이며, 비모수적 대안보다 뛰어난 성능을 나타낸다.
• 베이지안 모델 선택 및 사후 확률 임계값을 통한 다중성 보정을 통해 다중 검정 상황에서 위임 오류율을 효과적으로 감소시킨다.
• 시뮬레이션에서 이 모델은 복잡한 비정규 네트워크 구조 조건 하에서도 전반적 및 국소적 네트워크 차이를 탐지하는 데 높은 통계적 검정력을 유지한다.
• 실제 뇌 네트워크 데이터에 적용한 결과, 높은 창의성 그룹과 낮은 창의성 그룹 간 기능적 연결 패턴에서 유의미한 구조적 차이가 드러났다.
• 결과는 특히 전두엽-편측 네트워크 및 기본 모드 네트워크에서 특정 네트워크 하위 구조가 창의성에 개인적 차이와 관련이 있음을 새롭게 규명한다.
• 깁스 샘플러는 효율적으로 수렴하여 대규모 뇌 네트워크에서 합리적인 계산 비용으로 실용적인 사후 추론을 가능하게 한다.