[논문 리뷰] Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso

Jérôme-Alexis Chevalier, Alexandre Gramfort외 2명|arXiv (Cornell University)|2020. 09. 29.

Photoacoustic and Ultrasonic Imaging참고 문헌 48인용 수 4

한 줄 요약

이 논문은 공간적 시간적 MEG/EEG 원천 영상에 대해 거짓 발동 제어를 위한 통계적 보장을 제공하는 군집화된 비스스러운 다중작업 Lasso 추정기의 앙상블인 ecd-MTLasso를 제안한다. 비스스러운 Lasso를 공간 군집화와 앙상블화와 통합함으로써, 공간 특이성과 민감도를 균형 잡고 원천 지도의 원리적인 임계값 설정이 가능해진다.

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.

연구 동기 및 목표

• 거짓 양성 검출에 대한 통계적 제어가 부족한 희박한 MEG/EEG 원천 영상 방법의 문제를 해결한다.
• 자기상관된 잡음이 존재하는 고차원적, 불안정한 역문제인 시공간적 MEG/EEG 데이터를 해결한다.
• 신경영상에서 희박하고 고차원적인 회귀에 대해 통계적 추론 보장을 제공하는 방법(예: p-값, FWER 제어)을 개발한다.
• 적응형 군집화와 앙상블화를 통해 공간 특이성과 탐지 민감도 사이의 트레이드오���을 가능하게 한다.
• 실제 세계의 MEG/EEG 데이터셋에 사용 가능한 표준 하드웨어에서 실용적이고 계산 효율적인 방법을 제공한다.

제안 방법

• 시간적 상관관계를 처리하고 통계적 검정력을 향상시키기 위해 비스스러운 Lasso 추정기를 다중작업 설정으로 적응시켜 d-MTLasso를 도입한다.
• Ward 기준을 사용한 공간적으로 제약된 군집화를 도입하여 데이터 차원을 감소시키고 설계 행렬의 불안정성을 완화한다.
• 다양한 군집 솔루션에 대한 앙상블을 적용하여 임의의 군집 선택에 대한 민감도를 줄이고 강건성을 향상시킨다.
• 각 원천 위치에 대해 점점 정규분포로 수렴하는 검정 통계량을 확보하기 위해 비스스러운 추정기를 사용한다. 이는 p-값 계산을 가능하게 한다.
• 시간 도메인에서 AR(1) 과정을 통해 자기상관 잡음을 모델링하여 추론의 타당성을 향상시킨다.
• 추정된 p-값을 기반으로 FDR 또는 FWER 제어에 기반한 임계값 전략을 구현한다.

실험 결과

연구 질문

• RQ1 비스스러운 다중작업 Lasso 추정기는 고차원적이고 자기상관된 시공간적 MEG/EEG 데이터에서 유효한 통계적 추론(예: p-값, 신뢰구간)을 제공할 수 있는가?
• RQ2 공간 군집화와 앙상블화는 통계적 타당성을 유지하면서도 희박한 원천 영상의 강건성과 민감도를 어떻게 향상시킬 수 있는가?
• RQ3 조정 가능한 군집화 내성(_tolerance)을 통해 공간 특이성과 탐지 능력 사이의 균형을 어느 정도 달성할 수 있는가?
• RQ4 제안된 ecd-MTLasso 방법은 기존의 희박하거나 비희박한 MEG/EEG 방법보다 더 나은 원천 회복과 거짓 양성 제어를 달성하는가?
• RQ5 이 방법은 실생활 신경영상 응용 프로그램에 적합한 표준 하드웨어에서 효율적으로 구현될 수 있는가?

주요 결과

• 적절한 가정(희박성, 중간 수준의 상관관계 등) 하에서 ecd-MTLasso는 가족-wise 오류율(FWER)에 대해 신뢰할 수 있는 통계적 제어를 달성한다.
• 현실적인 두개부 모델을 활용한 광범위한 시뮬레이션 결과, ecd-MTLasso는 높은 민감도와 낮은 거짓 양성 비율로 진짜 원천을 잘 복원함을 보였다.
• 여러 개의 MEG 데이터셋에 대한 실증 결과는 ecd-MTLasso가 dSPM 및 sLORETA와 같은 표준 방법보다 원천 정밀도에서 뛰어난 성능을 보임을 입증했다.
• p-값을 기반으로 한 원천 지도의 원리적인 임계값 설정이 가능해져, 히وري스틱 임계값 설정에 대한 통계적으로 타당한 대안을 제공한다.
• 권장 설정(C=1000, 20–50 ms 윈도우, 5–10 ms 샘플링)을 사용할 경우, 표준 하드웨어에서 ecd-MTLasso는 10분 이내에 실행된다.
• 이 방법은 적응형이다: 공간 내성(C)을 증가시키면 민감도는 향상되지만 공간 특이도는 감소하므로, 데이터 품질에 따라 사용자가 트레이드오프를 조정할 수 있다.