[논문 리뷰] Modeling Covariate Effects in Group Independent Component Analysis with Applications to Functional Magnetic Resonance Imaging

Ran Shi, Ying Guo|arXiv (Cornell University)|2014. 02. 18.

Functional Brain Connectivity Studies참고 문헌 21인용 수 3

한 줄 요약

이 논문은 fMRI 데이터의 군집 독립성 분석에 임상적 및 인구통계학적 공변량을 공식적으로 통합하는 계층적 공변량 ICA (hc-ICA) 모델을 제안한다. 이는 효율적인 추정을 위한 정확한 및 부분공간 기반의 근사 EM 알고리즘과 공변량 효과를 테스트하기 위한 박셀별 추론 절차를 사용한다. 이 방법은 전통적인 이중단계 접근 방식(예: 듀얼-리그레션)에서 놓친 바이오마커를 포함한 조용한 명상 연습자와 대조군 간의 뇌 기능망 차이를 식별한다. 특히 기본 모드망과 시상피질망에서 뚜렷한 차이를 발견한다.

ABSTRACT

Independent component analysis (ICA) is a powerful computational tool for separating independent source signals from their linear mixtures. ICA has been widely applied in neuroimaging studies to identify and characterize underlying brain functional networks. An important goal in such studies is to assess the effects of subjects' clinical and demographic covariates on the spatial distributions of the functional networks. Currently, covariate effects are not incorporated in existing group ICA decomposition methods. Hence, they can only be evaluated through ad-hoc approaches which may not be accurate in many cases. In this paper, we propose a hierarchical covariate ICA model that provides a formal statistical framework for estimating and testing covariate effects in ICA decomposition. A maximum likelihood method is proposed for estimating the covariate ICA model. We develop two expectation-maximization (EM) algorithms to obtain maximum likelihood estimates. The first is an exact EM algorithm, which has analytically tractable E-step and M-step. Additionally, we propose a subspace-based approximate EM, which can significantly reduce computational time while still retain high model-fitting accuracy. Furthermore, to test covariate effects on the functional networks, we develop a voxel-wise approximate inference procedure which eliminates the needs of computationally expensive covariance estimation. The performance of the proposed methods is evaluated via simulation studies. The application is illustrated through an fMRI study of Zen meditation.

연구 동기 및 목표

• 기존 군집 ICA 방법이 뇌 기능망에 대한 공변량 효과를 공식적으로 모델링할 수 없는 한계를 해결하기 위해.
• fMRI에서 인구통계학적, 임상적 또는 생물학적 변수가 기능망 패턴에 미치는 영향을 추정하고 테스트하기 위한 통계적으로 엄밀한 최대우도 프레임워크를 개발하기 위해.
• 부분공간 기반 근사법을 통해 고차원 fMRI 데이터에서 추정 정확도를 유지하면서 계산 부담을 줄이기 위해.
• 이중단계 방법(예: 듀얼-리그레션)보다 군집 간 기능적 연결성의 차이를 더 강력하게 탐지할 수 있도록 하기 위해.
• 개별 피험자의 공간 소스 신호 변동성과 뇌망에 대한 공변량 효과를 동시에 고려하는 통합 통계 모델을 제공하기 위해.

제안 방법

• 피험자 수준의 공변량을 소스 신호 분포에 통합함으로써 군집 ICA를 확장한 계층적 공변량 ICA (hc-ICA) 모델을 제안한다.
• 모델 파라미터의 최대우도 추정을 위한 정확한 EM 알고리즘을 개발하였으며, 이는 해석적으로 다룰 수 있는 E단계와 M단계를 포함한다.
• 낮은 차원의 잠재 소스 부분공간에 집중하여 추정을 수행하는 부분공간 기반 근사 EM 알고리즘을 도입하여 계산 시간을 크게 단축시켰다.
• fMRI 소스 신호의 희박성에 기반한 부분공간 집중을 통해 추정 정확도를 유지하면서도 확장성을 향상시켰다.
• 전체 공분산 행렬의 역행렬 계산이 필요 없이도 공변량 효과를 테스트하기 위한 박셀별 근사 추론 절차를 사용하였다.
• 다중 비교 문제를 제어하기 위해 벤자민리-예쿠티엘 FDR 보정을 적용하였다.

실험 결과

연구 질문

• RQ1 fMRI 데이터에서 연령, 성별, 질병 상태와 같은 공변량이 뇌 기능망에 미치는 영향을 추정하고 테스트할 수 있는 공식적인 통계 모델을 개발할 수 있는가?
• RQ2 추정 정확도를 훼손하지 않으면서도 군집 ICA에 공변량을 통합한 경우의 계산 효율성을 어떻게 향상시킬 수 있는가?
• RQ3 제안된 방법이 듀얼-리그레션과 같은 기존 이중단계 접근 방식보다 군집 간 기능망 차이를 더 효과적으로 탐지하는가?
• RQ4 기능망에 대한 공변량 효과가 공간적으로 희박성을 띠는 정도는 어느 정도이며, 이를 모델에서 활용할 수 있는가?
• RQ5 표준 ICA 파ipeline에서 놓친 바이오마커를 포함한 명상자와 대조군 간의 기능적 연결성의 미세한 차이를 이 방법이 드러낼 수 있는가?

주요 결과

• 제안된 hc-ICA는 조용한 명상 연습자에서 기본 모드망(DMN)과 시상피질망(TRN)에서 대조군보다 더 강한 기능적 연결성을 식별하였으며, 이는 듀얼-리그레션에서는 탐지되지 않았다.
• FDR 보정된 p값은 다중 비교 보정 후에도 핵심 DMN 및 TRN 영역에서 군집 간 유의미한 차이를 확인하여 결과의 강건성을 입증하였다.
• 부분공간 기반 근사 EM 알고리즘이 조건부로 소스 신호의 공간적 중첩 정도가 중간일지라도 계산 시간을 크게 단축시키면서도 높은 정확도를 유지하였다.
• 시뮬레이션 연구 결과, hc-ICA는 기존 군집 ICA 방법보다 공변량 효과의 추정 및 추론에서 더 정확한 성능을 보였다.
• 이 방법은 이전에 듀얼-리그레션에서 탐지되지 않았던 후경부cingulate 피질, 내측 전두엽 피질 및 왼쪽 측편 피질 영역의 기능망 차이를 성공적으로 포착하였다.
• 모델이 미세한 네트워크 차이를 탐지할 수 있는 능력은 조용한 명상과 같은 간섭의 신경생물학적 효과를 식별하는 데서 그 장점을 드러낸다.