[论文解读] Bayesian Joint Modeling of Multiple Brain Functional Networks

Joshua Lukemire, Suprateek Kundu+2 more|arXiv (Cornell University)|Aug 7, 2017

Functional Brain Connectivity Studies参考文献 42被引用 4

一句话总结

本文提出了一种贝叶斯联合网络学习（BJNL）方法，用于在不同实验条件下联合建模多个脑功能网络，通过灵活的先验分布对共享基线结构和条件特异性差异边进行建模。与现有惩罚方法相比，该方法在检测效能和估计准确性方面均有提升，仿真研究和一项fMRI Stroop任务应用结果表明，该方法揭示了以往未被检测到的网络改变。

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.

研究动机与目标

• 为解决现有方法在不同认知条件下检测脑网络间真实差异边方面的局限性。
• 通过在不同条件下借用信息，联合建模多个脑网络，同时区分共享结构与条件特异性结构。
• 与独立或惩罚图模型方法相比，提高边强度估计的准确性并减少假阳性结果。
• 为群体水平脑网络推断提供具有不确定性量化能力的贝叶斯框架。
• 在无需预先指定聚类数量的情况下，实现边权重的无监督聚类。

提出的方法

• 该方法采用具有狄利克雷过程先验的贝叶斯层次模型，以灵活地对不同实验条件下共享和差异的网络结构进行建模。
• 通过共同基线结构和条件特异性偏差对边概率进行建模，从而识别出保守连接与改变的连接。
• 通过在精度矩阵的非对角元素上使用“点与泥”先验，对连接强度进行建模，以诱导稀疏性并实现边选择。
• 使用马尔可夫链蒙特卡洛（MCMC）方案进行后验计算，条件性地对精度矩阵进行抽样。
• 该模型支持跨条件对边权重进行无监督聚类，可自动确定聚类数量而无需调参。
• 该方法可扩展至多条件场景，并可通过并行化处理提高计算效率。

实验结果

研究问题

• RQ1 与独立或惩罚估计方法相比，联合建模方法是否能提升检测差异脑网络边的统计效能？
• RQ2 在使用灵活先验的贝叶斯框架下，共享和条件特异性网络结构的估计精度如何？
• RQ3 与现有惩罚方法相比，所提出的方法是否能更好地控制假阳性并实现更准确的边强度估计？
• RQ4 该方法能否在基于任务的fMRI中揭示标准图模型所遗漏的生物上合理的网络改变？
• RQ5 在不同仿真和真实数据条件下，该贝叶斯联合模型在检测网络差异方面的性能与JGL和GL等惩罚方法相比如何？

主要发现

• BJNL方法在TASK与REST条件之间检测到763条差异边和1211条共同边，显著优于JGL方法，后者在相同分析中未发现任何差异边。
• 在EXR与RLX的比较中，BJNL识别出624条差异边，而JGL未检测到任何差异边，表明该方法在检测细微任务相关网络变化方面具有更高的统计效能。
• 置换检验结果表明，GL和JGL方法在任一比较中均未能识别出显著的差异边，而BJNL检测到了具有生物学合理性的改变。
• 仿真研究显示，BJNL在边强度估计方面具有更高的准确性，并在检测真实差异边方面表现出更强的效能，尤其在网络规模增大时更为明显。
• 与大规模单变量检验和惩罚方法相比，该方法在错误发现率控制和推断可靠性方面表现更优。
• 在Stroop任务fMRI数据中的应用表明，任务状态与静息状态之间的网络差异比高负荷与低负荷任务条件之间的差异更为显著，与已知的认知负荷效应一致。