[논문 리뷰] Testing for Differences in Gaussian Graphical Models: Applications to Brain Connectivity

Eugene Belilovsky, Gaël Varoquaux외 1명|arXiv (Cornell University)|2015. 12. 29.

Functional Brain Connectivity Studies인용 수 22

한 줄 요약

이 논문은 소규모 표본 크기에서 신경망 기반 기능적 뇌 연결성 연구에 특화된 가우시안 그래픽 모델(GGMs) 간의 차이를 테스트하기 위해 비편향 다중작업 융합 라소를 제안한다. 매개변수 차이의 희박성과 간선 차이에 대한 계산 가능한 가우시안 분포를 활용함으로써, 표준 라소 기반 접근법에 비해 유의미하게 높은 통계적 검정력과 정확한 신뢰구간을 제공한다. 이는 합성 데이터 및 자폐증 및 대조군의 실제 fMRI 데이터에서 검증되었다.

ABSTRACT

Functional brain networks are well described and estimated from data with Gaussian Graphical Models (GGMs), e.g. using sparse inverse covariance estimators. Comparing functional connectivity of subjects in two populations calls for comparing these estimated GGMs. Our goal is to identify differences in GGMs known to have similar structure. We characterize the uncertainty of differences with confidence intervals obtained using a parametric distribution on parameters of a sparse estimator. Sparse penalties enable statistical guarantees and interpretable models even in high-dimensional and low-sample settings. Characterizing the distributions of sparse models is inherently challenging as the penalties produce a biased estimator. Recent work invokes the sparsity assumptions to effectively remove the bias from a sparse estimator such as the lasso. These distributions can be used to give confidence intervals on edges in GGMs, and by extension their differences. However, in the case of comparing GGMs, these estimators do not make use of any assumed joint structure among the GGMs. Inspired by priors from brain functional connectivity we derive the distribution of parameter differences under a joint penalty when parameters are known to be sparse in the difference. This leads us to introduce the debiased multi-task fused lasso, whose distribution can be characterized in an efficient manner. We then show how the debiased lasso and multi-task fused lasso can be used to obtain confidence intervals on edge differences in GGMs. We validate the techniques proposed on a set of synthetic examples as well as neuro-imaging dataset created for the study of autism.

연구 동기 및 목표

• 작은 표본 크기 조건에서 자폐증 환자와 대조군과 같은 두 집단 간 기능적 뇌 네트워크에서의 작은 희박한 차이를 탐지하는 데 도전하는 것.
• 신경과학 및 임상 적용에 핵심적인 가우시안 그래픽 모델(GGMs)의 간선 차이에 대해 타당한 신뢰구간과 p값을 제공하는 통계적 프레임워크를 개발하는 것.
• 伝통적인 희박 추정기인 라소가 편향과 열악한 추론 성능을 보이는 고차원, 저표본 설정에서 통계적 검정력을 향상시키는 것.
• 개별 네트워크가 희박하지 않더라도 네트워크 간 차이의 희박성을 활용하여, 진정한 차이를 더 잘 탐지할 수 있도록 공동 펜alty 구조를 도입하는 것.

제안 방법

• 두 개의 희박한 회귀 계수 간의 차이에 융합 라소 페널티를 적용하는 공동 추정 절차인 비편향 다중작업 융합 라소를 제안하며, 이는 차이의 희박성을 촉진하면서도 분포 특성화를 가능하게 한다.
• 비편향 추정기의 회귀 계수 차이에 대해 닫힌 형태의 가우시안 분포를 유도하여, 신뢰구간과 p값을 통한 타당한 추론을 가능하게 한다.
• 노드와이즈 회귀 프레임워크를 사용하여 회귀 계수의 차이를 정반비례 공분산 행렬의 차이와 연결함으로써 GGM에 적용할 수 있도록 한다.
• 비편향 다중작업 융합 라소를 사용하여 두 GGM 간의 간선 가중치 차이를 추정하고 검정하며, 차이의 희박성 가정 하에 이론적 보장을 제공한다.
• ABIDE 데이터셋의 실제 fMRI 데이터를 대상으로 순열 검정을 수행하여, 파arametric p값과 비모수적 실측 p값을 비교함으로써 유형 I 오류 통제를 확인한다.
• 표본 추출 및 재현성 분석을 통해 여러 데이터 분할에서 검출된 간선의 안정성을 평가하여, 낮은 표본 크기 조건에서도 강건하고 신뢰할 수 있는 추론을 보여준다.

실험 결과

연구 질문

• RQ1 작은 표본 크기와 큰 변수 수 조건에서 GGM 간의 차이를 통계적으로 타당하게 검정할 수 있는 방법을 개발할 수 있는가?
• RQ2 자폐증 및 대조군과 같은 두 집단 간 뇌 연결성 네트워크에서의 희박한 차이를 탐지하는 데 있어 통계적 검정력을 어떻게 향상시킬 수 있는가?
• RQ3 l1-페널티에 의해 유도된 편향에도 불구하고, 희박 추정기의 차이의 표본 분포를 특성화하여 신뢰구간과 p값을 도출할 수 있는가?
• RQ4 개별 네트워크가 아니라 네트워크 간 차이의 희박성을 활용할 경우, 기능적 커넥톰 분석에서 더 강력하고 신뢰할 수 있는 추론이 가능해지는가?

주요 결과

• 비편향 다중작업 융합 라소는 표준 비편향 라소 및 프로젝션 리지 회귀보다 ABIDE fMRI 데이터셋에서 진정한 간선 차이를 훨씬 더 많이 탐지하지만, 잘못된 귀무가설 기각률(Type I error rate)은 유지한다.
• 순열 검정을 통해 비편향 다중작업 융합 라소의 파라미터적 p값이 잘 校정되어 있음을 확인하였으며, 관측된 유형 I 오류 비율은 명목상 5% 수준과 근접해 있었다.
• 이 방법은 매우 높은 재현성을 보였으며, 100개의 표본 추출에서 반복적으로 검출된 간선이 존재하여, 낮은 표본 크기 조건에서도 안정적이고 신뢰할 수 있는 추론을 가능하게 했다.
• 비편향 라소 및 리지 프로젝션 방법은 과도하게 보수적이었으며, 데이터에 진정한 차이가 존재함에도 불구하고 거의 간선을 탐지하지 못했다.
• 반복적으로 선택된 간선의 커넥톰 시각화를 통해 MSDL 어 mentally 의 기본 모드 및 전두측두망 네트워크 영역에서 자폐증에서 일관되게 변화한 영역가 확인되었으며, 기존 신경생물학적 발견과 일치한다.
• 이 방법은 표준 접근법에 비해 통계적 검정력을 크게 향상시켜, 제한된 표본으로도 실제 신경영상 연구에서 미세한 功能적 연결성 차이를 탐지할 수 있도록 하였다.