[论文解读] Differentially Expressed Functional Connectivity Networks with K-partite Graph Topology

Shuo Chen, F. DuBois Bowman+1 more|arXiv (Cornell University)|Mar 23, 2016

Functional Brain Connectivity Studies参考文献 32被引用 4

一句话总结

该论文提出了一种新颖的统计方法，通过识别k部图拓扑结构，检测fMRI数据中差异表达的功能连接网络，从而提高统计效能并减少假阳性结果。该方法结合了自动拓扑检测与推断检验，揭示了帕金森病患者与对照组之间存在k部图网络结构，该结构可作为具有高度临床可解释性和可重复性的稳健生物标志物候选。

ABSTRACT

Emerging brain network studies suggest that interactions between various distributed neuronal populations may be characterized by an organized complex topological structure. Many brain diseases are associated with altered topological patterns of brain connectivity. Therefore, a key inquiry of connectivity analysis is to identify network-level differentially expressed connections that have low false positive rates, sufficient statistical power, and high reproducibility. In this paper, we propose a novel statistical approach to fulfill this goal by leveraging the topological structure of differentially expressed functional connections or edges in a graphical representation. We propose a new algorithm to automatically detect the latent topology of a k-partite graph structure, and we also provide statistical inferential techniques to test the detected topology. We evaluate our new methods via extensive numerical studies. We also apply our new approach to resting state fMRI data (24 cases and 18 controls) for Parkinson's disease research. The detected connectivity network biomaker with the k-partite graph topological structure reveals underlying neural features distinguishing Parkinson's disease patients from healthy control subjects.

研究动机与目标

• 为解决在检测差异表达的功能连接网络时，实现高统计效能、低假阳性率和可重复性的挑战。
• 识别差异表达脑连接中组织化、非随机的拓扑模式，而非依赖预定义的网络结构。
• 开发一种保留边特异性空间定位的方法，以提升临床可解释性和病理生理学洞察。
• 实现对检测到的拓扑结构（特别是k部图）的统计推断，以验证网络水平的生物标志物。
• 提供一种可推广的框架，适用于各种连接度量下的功能与结构连接数据。

提出的方法

• 利用Pard算法从fMRI数据中检测差异表达的边及其初始拓扑结构。
• 应用一种新算法，自动检测差异表达边子网络中的潜在k部图拓扑结构。
• 使用基于置换的统计检验评估检测到的k部图拓扑结构的显著性。
• 将边级别的连接差异（例如，对照组 > 患者）整合到三维可视化中，通过颜色编码的边方向和宽度表示。
• 将该方法应用于24名帕金森病患者和18名对照组的静息态fMRI数据，以识别网络水平的生物标志物。
• 采用图论技术将无向连接矩阵建模为k部图，从而实现对网络水平变化的结构化推断。

实验结果

研究问题

• RQ1 能否从fMRI数据中自动检测到差异表达功能连接网络的k部图拓扑结构？
• RQ2 识别k部图拓扑结构是否能提高检测疾病相关连接变化的统计效能并降低假阳性率？
• RQ3 检测到的k部网络结构能否作为帕金森病的可靠且可解释的生物标志物？
• RQ4 与其它网络结构（如团）相比，k部拓扑结构在捕捉临床相关连接模式方面表现如何？
• RQ5 差异表达边的拓扑结构在多大程度上反映了脑部疾病中的潜在神经病理机制？

主要发现

• 所提出的方法成功检测到帕金森病fMRI数据中差异表达功能连接网络的k部图结构。
• 检测到的k部网络显示对照组相比患者存在高连接性，显著的边差异在三维可视化中得以呈现。
• 与简单团结构相比，k部拓扑结构更具信息量，表明存在长程、组织化的连接模式，而非局部聚类。
• 通过利用拓扑结构使边能够“借用力量”，该方法实现了更高的统计效能并降低了假阳性率。
• 检测到的网络生物标志物具有空间定位性且可解释，特定脑区及连接与帕金森病病理密切相关。
• 该方法在不同连接度量和数据类型（功能与结构连接）之间表现出良好的可重复性与可推广性。