[论文解读] Optimizing Differential Identifiability Improves Connectome Predictive Modeling of Cognitive Deficits in Alzheimer's Disease

Diana Otero Svaldi, Joaquín Goñi+9 more|arXiv (Cornell University)|Aug 16, 2019

Functional Brain Connectivity Studies参考文献 55被引用 5

一句话总结

本研究将连接组预测建模与差异可识别性相结合，提升了静息态fMRI功能连接组的可靠性与个体特异性，显著提高了对阿尔茨海默病认知缺陷的预测能力。通过优化个体神经网络特征指纹，该框架识别出与特定认知缺陷相关联的稳健功能网络，推动了个体化连接组基础的认知建模发展。

ABSTRACT

Functional connectivity, as estimated using resting state fMRI, has shown potential in bridging the gap between pathophysiology and cognition. However, clinical use of functional connectivity biomarkers is impeded by unreliable estimates of individual functional connectomes and lack of generalizability of models predicting cognitive outcomes from connectivity. To address these issues, we combine the frameworks of connectome predictive modeling and differential identifiability. Using the combined framework, we show that enhancing the individual fingerprint of resting state functional connectomes leads to robust identification of functional networks associated to cognitive outcomes and also improves prediction of cognitive outcomes from functional connectomes. Using a comprehensive spectrum of cognitive outcomes associated to Alzheimer's disease, we identify and characterize functional networks associated to specific cognitive deficits exhibited in Alzheimer's disease. This combined framework is an important step in making individual level predictions of cognition from resting state functional connectomes and in understanding the relationship between cognition and connectivity.

研究动机与目标

• 为解决静息态fMRI中个体功能连接组估计不可靠的问题，该问题阻碍了临床转化。
• 提升将功能连接与认知结局关联的模型在阿尔茨海默病中的泛化能力和预测性能。
• 利用更稳健的连接组建模框架，识别与阿尔茨海默病中不同认知缺陷相关联的特定功能网络。
• 开发一种方法，通过增强功能连接组的个体特征指纹，提升可识别性与预测准确性。

提出的方法

• 作者将连接组预测建模与差异可识别性框架相结合，后者可增强个体功能连接组的独特性。
• 通过调节连接估计中信号一致性与个体特异性的平衡，优化功能连接组的差异可识别性。
• 该方法采用正则化方案，促进稳定且个体特异的网络模式，同时保留有意义的功能网络组织结构。
• 使用多元回归对优化后的连接组应用连接组预测建模，以预测一组全面的认知结局。
• 该框架在阿尔茨海默病神经影像计划（ADNI）的大规模队列中进行验证，使用静息态fMRI数据。
• 统计建模评估了优化后连接组与阿尔茨海默病相关多个认知领域表现之间的关系。

实验结果

研究问题

• RQ1 优化差异可识别性是否能提升从静息态fMRI中提取的功能连接组的可靠性与个体特异性？
• RQ2 在使用优化连接组时，哪些功能网络与阿尔茨海默病中特定认知缺陷具有稳健关联？
• RQ3 增强连接组的个体特征指纹是否能相比标准连接组建模，提升认知结局的预测准确性？
• RQ4 所提出的框架在阿尔茨海默病中受影响的不同认知领域中，其泛化能力如何？

主要发现

• 优化差异可识别性显著增强了功能连接组的个体指纹，使网络表征更加稳定且独特。
• 优化后的连接组在多个认知领域（包括记忆、执行功能和语言）中，与特定认知缺陷表现出更强且更一致的关联。
• 与基线模型相比，使用增强差异可识别性的连接组，其认知结局预测准确性得到提升。
• 该框架成功识别出与阿尔茨海默病中不同认知损伤相关联的独立功能网络，例如与记忆减退相关的默认模式网络改变。
• 该方法在多种不同的认知结局中表现出稳健性，支持其在个体化预测中临床应用的潜力。
• 补充分析证实，性能提升并非由于过拟合，而是源于信号特异性的增强与个体网络稳定性的提高。