[论文解读] Scalable Multi-Task Gaussian Process Tensor Regression for Normative Modeling of Structured Variation in Neuroimaging Data

Seyed Mostafa Kia, Christian F. Beckmann+1 more|arXiv (Cornell University)|Jul 31, 2018

Tensor decomposition and applications参考文献 31被引用 8

一句话总结

本文在张量高斯预测过程（TGPP）框架下，提出了一种可扩展的多任务高斯过程张量回归（sMT-GPTR）方法，用于建模神经影像数据中的结构化多维变异。通过利用克罗内克代数和低秩张量分解，该方法高效处理全脑、高维的fMRI数据，在范式建模中显著提升了异常值检测性能，优于传统的单变量和有监督基线方法。

ABSTRACT

Most brain disorders are very heterogeneous in terms of their underlying biology and developing analysis methods to model such heterogeneity is a major challenge. A promising approach is to use probabilistic regression methods to estimate normative models of brain function using (f)MRI data then use these to map variation across individuals in clinical populations (e.g., via anomaly detection). To fully capture individual differences, it is crucial to statistically model the patterns of correlation across different brain regions and individuals. However, this is very challenging for neuroimaging data because of high-dimensionality and highly structured patterns of correlation across multiple axes. Here, we propose a general and flexible multi-task learning framework to address this problem. Our model uses a tensor-variate Gaussian process in a Bayesian mixed-effects model and makes use of Kronecker algebra and a low-rank approximation to scale efficiently to multi-way neuroimaging data at the whole brain level. On a publicly available clinical fMRI dataset, we show that our computationally affordable approach substantially improves detection sensitivity over both a mass-univariate normative model and a classifier that --unlike our approach-- has full access to the clinical labels.

研究动机与目标

• 为解决在个体、脑区和认知系统之间对高维、多维相关变异进行建模的挑战。
• 开发一种计算可扩展的多变量范式建模方法，以捕捉复杂的空间、时间及个体水平的相关性。
• 实现在偏离范式脑变异个体的准确、具备不确定性感知的检测，支持精神病学中的精准医学。
• 将现有多任务高斯过程方法推广至D维张量结构数据，提升可扩展性与建模灵活性。

提出的方法

• 提出张量高斯预测过程（TGPP）框架，假设随机效应和噪声服从张量变量正态分布，实现对多个数据轴的联合建模。
• 开发多任务高斯过程张量回归（MT-GPTR），通过克罗内克积结构同时学习随机效应和噪声的结构化协方差矩阵。
• 应用低秩张量分解（如Tucker分解）近似高维任务协方差矩阵，降低时间和空间复杂度。
• 利用克罗内克积的代数性质，实现高效的矩阵求逆与边际似然计算，支持扩展至数十万脑区。
• 采用贝叶斯混合效应建模方法，估计具备一致不确定性量化的预测分布，适用于新异检测。
• 采用可扩展的推理过程，通过利用张量维度间可分协方差结构，避免完整协方差矩阵求逆。

实验结果

研究问题

• RQ1 贝叶斯基多变量范式建模框架能否有效捕捉高维神经影像数据中的结构化多维相关性？
• RQ2 如何在保持统计严谨性与不确定性量化的同时，将多任务高斯过程回归扩展至全脑fMRI数据？
• RQ3 与单变量或有监督方法相比，联合建模空间、个体与任务水平相关性是否能提升对脑变异异常个体的检测能力？
• RQ4 使用张量变量先验与低秩近似在多大程度上降低了计算复杂度，同时不损失预测准确性？

主要发现

• 所提出的sMT-GPTR方法在临床fMRI数据集的新异检测场景中，相较于单变量范式模型和现成的有监督基线，检测率有显著提升。
• 通过将低秩张量分解应用于任务协方差矩阵，将时间和空间复杂度分别从O(T³)和O(T²)降低至O(T²)和O(T)。
• TGPP框架通过原则性的贝叶斯方法，实现了对空间、时间与受试者等多轴上结构化随机效应与噪声的联合建模。
• 该框架支持预测中的不确定性量化，这对临床决策和识别具有生物学意义的偏离至关重要。
• 该方法在全脑fMRI数据上展现出实际可扩展性，支持多达数十万个空间位置，使大规模范式建模成为可能。
• 该方法在推广先前方法（如GP-Kronsum）的基础上，将其扩展至多维张量结构数据，并通过细粒度克罗内克分解实现更高效的计算。