[논문 리뷰] Optimizing Differential Identifiability Improves Connectome Predictive Modeling of Cognitive Deficits in Alzheimer's Disease

Diana Otero Svaldi, Joaquín Goñi외 9명|arXiv (Cornell University)|2019. 08. 16.

Functional Brain Connectivity Studies참고 문헌 55인용 수 5

한 줄 요약

이 연구는 뇌지속성모델링과 차별적 식별성의 통합을 통해 휴식 상태 fMRI 기반 기능적 연결망의 신뢰성과 개인 특이성을 향상시켜 알츠하이머병에서 인지 기능 저하를 예측하는 데 있어 크게 향상시켰다. 개별 네트워크 지문을 최적화함으로써 특정 인지 기능 저하와 연관된 강력한 기능적 네트워크를 식별하는 프레임워크는 개인 맞춤형 연결망 기반 인지 모델링의 발전을 이룬다.

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.

연구 동기 및 목표

• 휴식 상태 fMRI에서 개별 기능적 연결망 추정치의 신뢰성 부족이 임상 적용을 방해하므로 이를 해결하고자 한다.
• 알츠하이머병에서 기능적 연결망과 인지 결과 간의 관계를 모델링하는 모델의 일반화 능력과 예측 능력을 향상시키고자 한다.
• 더 강력한 연결망 모델링 프레임워크를 사용하여 알츠하이머병에서 특정 인지 기능 저하와 연관된 기능적 네트워크를 특정하고자 한다.
• 기능적 연결망의 개인 지문을 향상시켜 식별성과 예측 정확도를 향상시키는 방법을 개발하고자 한다.

제안 방법

• 저자들은 뇌지속성모델링과 차별적 식별성의 프레임워크를 결합하여 개인 기능적 연결망의 고유성을 향상시켰다.
• 연결망 추정치에서 신호 일관성과 개인 특이성 간의 균형을 조정함으로써 기능적 연결망의 차별적 식별성을 최적화하였다.
• 정규화 기법을 사용하여 안정적이고 개인 특이적인 네트워크 패턴을 촉진하면서도 의미 있는 기능적 네트워크 조직을 유지하였다.
• 다변량 회귀를 사용하여 최적화된 연결망에서 종합적인 인지 결과를 예측하기 위해 뇌지속성모델링을 적용하였다.
• 알츠하이머병 신경영상연구기구(ADNI)의 대규모 코hort에서 프레임워크를 검증하였으며, 휴식 상태 fMRI 데이터를 사용하였다.
• 통계 모델링을 통해 최적화된 연결망과 알츠하이머병과 관련된 다양한 인지 영역에서의 인지 성능 간의 관계를 평가하였다.

실험 결과

연구 질문

• RQ1 휴식 상태 fMRI에서 유도된 기능적 연결망의 차별적 식별성 최적화가 그 신뢰성과 개인 특이성을 향상시키는가?
• RQ2 최적화된 연결망을 사용할 경우 알츠하이머병에서 특정 인지 기능 저하와 강력하게 연관된 기능적 네트워크는 무엇인가?
• RQ3 연결망의 개인 지문을 향상시키는 것이 기존의 연결망 모델링 대비 인지 결과 예측 정확도를 향상시키는가?
• RQ4 제안된 프레임워크가 알츠하이머병에서 영향을 받는 다양한 인지 영역에 걸쳐 일반화되는 정도는 어느 정도인가?

주요 결과

• 차별적 식별성 최적화가 기능적 연결망의 개인 지문을 크게 향상시켜 더 안정적이고 고유한 네트워크 표현을 이끌어냈다.
• 최적화된 연결망은 기억, 실행기능, 언어 등 다양한 영역에서 특정 인지 기능 저하와 더 강하고 일관된 관련성을 보였다.
• 기본 모델 대비 차별적 식별성이 향상된 연결망을 사용할 경우 인지 결과 예측 정확도가 향상되었다.
• 프레임워크는 알츠하이머병에서 다양한 인지 기능 저하와 관련된 고유한 기능적 네트워크를 성공적으로 식별하였으며, 예를 들어 기억 저하와 관련된 기본 모드 네트워크 변화를 포함하였다.
• 이 방법은 다양한 인지 결과에 대해 뛰어난 강건성을 보였으며, 개인 맞춤형 예측에 임상 적용 가능성을 뒷받침하였다.
• 보조 분석을 통해 향상된 성능가 과적합 때문이 아니라, 신호 특이성 향상과 개인 네트워크 안정성 향상 때문임을 확인하였다.