[论文解读] Bayesian inference on group differences in brain networks

Daniele Durante, David B. Dunson|arXiv (Cornell University)|Nov 24, 2014

Functional Brain Connectivity Studies被引用 5

一句话总结

该论文提出了一种贝叶斯非参数模型，通过使用低秩分解的依附混合模型，检测脑网络结构中的组间差异，借助高效的吉布斯采样器实现灵活的、多重性校正的全局与局部假设检验。该方法揭示了脑网络组织与创造力之间的显著关联，为神经精神疾病和认知网络变异提供了新见解。

ABSTRACT

Network data are increasingly available along with other variables of interest. Our motivation is drawn from neurophysiology studies measuring a brain activity network for each subject along with a categorical variable, such as presence or absence of a neuropsychiatric disease, creativity groups or type of ability. We develop a Bayesian approach for inferences on group differences in the network structure, allowing global and local hypothesis testing adjusting for multiplicity. Our approach allows the probability mass function for network-valued data to shift nonparametrically between groups, via a dependent mixture of low-rank factorizations. An efficient Gibbs sampler is defined for posterior computation. We provide theoretical results on the flexibility of the model and assess testing performance in simulations. The approach is applied to provide novel results showing relationships between human brain networks and creativity.

研究动机与目标

• 开发一种贝叶斯框架，用于检测脑网络结构中的组间差异，尤其适用于具有分类组变量（如疾病状态或创造力水平）的神经生理学研究。
• 通过在一致的概率模型中整合多重性校正，解决网络值数据中的多重检验挑战。
• 允许在不假设固定参数形式的前提下，对组间网络值数据的概率质量函数实现非参数、灵活的转移。
• 支持在全网和边级水平上进行网络结构差异的全局与局部假设检验，实现网络级与边级的推断。
• 通过专为网络值数据和组间比较设计的吉布斯采样器，提供计算高效的后验计算方法。

提出的方法

• 该模型采用低秩分解的依附狄利克雷过程混合模型，实现对网络值数据的非参数、组依赖建模。
• 使用低秩分解表示网络结构，实现降维并高效表示复杂的脑连接模式。
• 通过共享基测度的棒棒糖过程，引入组间特定混合成分之间的依赖性，实现网络分布的组特异性偏移。
• 设计了吉布斯采样器用于后验计算，通过迭代更新组特定的因子分解、分量分配和超参数。
• 通过后验概率计算组间差异，结合贝叶斯模型选择和错误发现率控制实现多重性校正。
• 通过后验优势比和可信区间，支持全局检验（整体网络结构差异）和局部检验（单条边或子网络差异）

实验结果

研究问题

• RQ1 当潜在网络分布可能在组间发生非参数化转移时，如何灵活检测脑网络结构中的组间差异？
• RQ2 所提出的贝叶斯模型在控制网络边或子网络间多重检验的多重性方面表现如何？
• RQ3 该模型在检测与创造力或神经精神疾病相关的脑网络组织有意义差异方面，其能力有多大？
• RQ4 混合成分中的依赖结构如何提升相对于独立组建模的推断性能？
• RQ5 在模拟研究中，该方法在识别真实网络级和边级差异方面的经验统计功效和准确性如何？

主要发现

• 所提出的贝叶斯模型在模拟设置中表现出强大灵活性，能够有效捕捉组间网络值数据分布的非参数化转移，优于参数化替代方法。
• 通过贝叶斯模型选择和后验概率阈值，该方法在多重检验场景中实现了有效的多重性校正，显著降低了错误发现率。
• 在模拟研究中，该模型在检测全局和局部网络差异方面均保持了高统计功效，即使在复杂、非高斯网络结构下亦然。
• 在真实脑网络数据上的应用揭示了高创造力组与低创造力组在功能连接模式上的显著结构差异。
• 结果提供了新证据，表明特定网络子结构（尤其是额顶叶网络和默认模式网络）与个体创造力差异密切相关。
• 吉布斯采样器收敛迅速，实现了对大规模脑网络的实用后验推断，计算成本合理。