[논문 리뷰] Bayesian Joint Modeling of Multiple Brain Functional Networks

Joshua Lukemire, Suprateek Kundu외 2명|arXiv (Cornell University)|2017. 08. 07.

Functional Brain Connectivity Studies참고 문헌 42인용 수 4

한 줄 요약

이 논문은 다양한 실험 조건에서 다수의 뇌 기능망을 함께 모델링하기 위해 베이지안 공동망학습(Bayesian Joint Network Learning, BJNL) 방법을 제안한다. 이 방법은 공통 기저 구조와 조건별로 다름을 보이는 엣지(연결)를 모델링하기 위해 유연한 사전분포를 사용한다. 시뮬레이션과 fMRI 스토룹 작업 적용 사례를 통해 기존의 정규화된 방법에 비해 검출 능력과 추정 정확도가 향상됨을 입증하였다. 이로 인해 이전에 발견되지 못했던 네트워크 변화가 드러났다.

ABSTRACT

Brain function is organized in coordinated modes of spatio-temporal activity (functional networks) exhibiting an intrinsic baseline structure with variations under different experimental conditions. Existing approaches for uncovering such network structures typically do not explicitly model shared and differential patterns across networks, thus potentially reducing the detection power. We develop an integrative modeling approach for jointly modeling multiple brain networks across experimental conditions. The proposed Bayesian Joint Network Learning approach develops flexible priors on the edge probabilities involving a common intrinsic baseline structure and differential effects specific to individual networks. Conditional on these edge probabilities, connection strengths are modeled under a Bayesian spike and slab prior on the off-diagonal elements of the inverse covariance matrix. The model is fit under a posterior computation scheme based on Markov chain Monte Carlo. Numerical simulations illustrate that the proposed joint modeling approach has increased power to detect true differential edges while providing adequate control on false positives and achieving greater accuracy in the estimation of edge strengths compared to existing methods. An application of the method to fMRI Stroop task data provides unique insights into brain network alterations between cognitive conditions which existing graphical modeling techniques failed to reveal.

연구 동기 및 목표

• 다른 인지 조건에서 뇌망 간 진짜 차별 엣지를 탐지하는 데에 기존 방법의 한계를 해결하기 위해.
• 조건 간 공유하는 강도를 빌려오면서도 공통 구조와 조건별로 다름을 보이는 네트워크 구조를 함께 모델링하기 위해.
• 독립적 또는 정규화된 그래픽 모델링 접근법에 비해 엣지 강도 추정 정확도를 향상시키고 거짓 양성(false positives)을 줄이기 위해.
• 군집 수준의 뇌망 추론을 위한 불확실성 정량화를 제공하는 베이지안 프레임워크를 제공하기 위해.
• 사전에 클러스터 수를 지정하지 않고도 엣지 가중치의 비지도 클러스터링을 가능하게 하기 위해.

제안 방법

• 이 방법은 실험 조건 간 공통 기저 구조와 조건별로 다름을 보이는 엣지 확률을 모델링하기 위해 딜레트리 프로세스 사전분포를 사용하는 베이지안 계층 모델을 적용한다.
• 엣지 확률은 공통 기저 구조와 조건별 편차를 사용하여 모델링되며, 이는 공통으로 유지되는 연결과 변화가 있는 연결을 식별하는 데 기여한다.
• 연결 강도는 정밀도 행렬의 비대각성 요소에 스파이크 및 슬래브 사전분포를 적용하여 희박성(sparsity)을 유도하고 엣지 선택을 가능하게 한다.
• 사후분포 계산은 네트워크 구조 조건 하에 정밀도 행렬을 조건부로 샘플링하는 마르코프 체인 몬테카를로(Markov chain Monte Carlo, MCMC) 기반의 계산 기법을 사용한다.
• 모델은 조건 간 엣지 가중치의 비지도 클러스터링을 가능하게 하며, 튜닝 없이도 자동으로 클러스터 수를 결정할 수 있다.
• 이 방법은 다수의 조건에 대해 확장 가능하며, 계산 효율성을 향상시키기 위해 병렬 처리가 가능하다.

실험 결과

연구 질문

• RQ1 독립적 또는 정규화된 추정과 비교할 때 공동 모델링 접근법이 차별 뇌망 엣지를 탐지하는 데에 통계적 검출 능력을 향상시킬 수 있는가?
• RQ2 탄력적인 사전분포를 사용하는 베이지안 프레임워크를 통해 공통 및 조건별로 다름을 보이는 네트워크 구조를 얼마나 정확하게 추정할 수 있는가?
• RQ3 기존의 정규화된 방법에 비해 제안된 방법이 거짓 양성 제어와 더 정확한 엣지 강도 추정을 제공하는가?
• RQ4 표준 그래픽 모델이 놓친 태스크 기반 fMRI에서 생물학적으로 의미 있는 네트워크 변화를 이 방법이 드러낼 수 있는가?
• RQ5 다양한 시뮬레이션 및 실제 데이터 조건에서, 베이지안 공동 모델의 성능이 JGL 및 GL과 같은 정규화된 방법과 비교해 어떻게 다른가?

주요 결과

• BJNL 방법은 TASK와 REST 조건 간 763개의 차별 엣지와 1211개의 공통 엣지를 탐지하였으며, 동일 분석에서 JGL이 차별 엣지를 전혀 발견하지 못한 것에 비해 뚜렷한 우월성을 보였다.
• EXR 대비 RLX 비교에서 BJNL은 624개의 차별 엣지를 식별하였고, JGL은 이를 전혀 탐지하지 못하였다. 이는 잠재적인 작업 관련 네트워크 변화를 탐지하는 데에 더 높은 통계적 검출 능력을 지녔음을 시사한다.
• 순열 검정을 통해 GL 및 JGL 방법이 어느 비교에서도 유의미한 차별 엣지를 탐지하지 못한 반면, BJNL은 생물학적으로 타당한 변화를 탐지함을 확인하였다.
• 시뮬레이션 연구를 통해 BJNL는 엣지 강도 추정 정확도가 높고, 특히 네트워크 크기가 증가할수록 진짜 차별 엣지를 탐지하는 데에 더 높은 검출 능력을 보였다.
• BJNL는 다중 검정 기반 접근법과 정규화된 방법에 비해 더 낮은 거짓 발견률(false discovery rate) 제어와 더 신뢰할 수 있는 추론을 제공하였다.
• 스토룹 작업 fMRI 데이터에 대한 적용 결과, 고부하와 저부하 작업 조건 간의 차이보다 작업 상태와 휴식 상태 간의 네트워크 차이가 더 뚜렷하게 드러났으며, 이는 알려진 인지 부하 효과와 일치하였다.