[论文解读] Testing for Differences in Gaussian Graphical Models: Applications to Brain Connectivity

Eugene Belilovsky, Gaël Varoquaux+1 more|arXiv (Cornell University)|Dec 29, 2015

Functional Brain Connectivity Studies被引用 22

一句话总结

本文提出去偏多任务融合lasso方法，用于在小样本条件下检测高斯图形模型（GGMs）中的差异，尤其适用于脑连接研究。通过利用参数差异的稀疏性，并推导出边差异的可处理高斯分布，该方法实现了准确的置信区间和假设检验，在合成数据及自闭症与对照组的真实fMRI数据中，显著提升了标准lasso方法的统计功效。

ABSTRACT

Functional brain networks are well described and estimated from data with Gaussian Graphical Models (GGMs), e.g. using sparse inverse covariance estimators. Comparing functional connectivity of subjects in two populations calls for comparing these estimated GGMs. Our goal is to identify differences in GGMs known to have similar structure. We characterize the uncertainty of differences with confidence intervals obtained using a parametric distribution on parameters of a sparse estimator. Sparse penalties enable statistical guarantees and interpretable models even in high-dimensional and low-sample settings. Characterizing the distributions of sparse models is inherently challenging as the penalties produce a biased estimator. Recent work invokes the sparsity assumptions to effectively remove the bias from a sparse estimator such as the lasso. These distributions can be used to give confidence intervals on edges in GGMs, and by extension their differences. However, in the case of comparing GGMs, these estimators do not make use of any assumed joint structure among the GGMs. Inspired by priors from brain functional connectivity we derive the distribution of parameter differences under a joint penalty when parameters are known to be sparse in the difference. This leads us to introduce the debiased multi-task fused lasso, whose distribution can be characterized in an efficient manner. We then show how the debiased lasso and multi-task fused lasso can be used to obtain confidence intervals on edge differences in GGMs. We validate the techniques proposed on a set of synthetic examples as well as neuro-imaging dataset created for the study of autism.

研究动机与目标

• 为在样本量较小的条件下检测自闭症与对照受试者之间功能脑网络的微小、稀疏差异提供解决方案。
• 开发一种统计框架，为高斯图形模型（GGMs）中边差异提供有效的置信区间和p值，这对神经科学和临床应用至关重要。
• 在高维、小样本设置下提升统计功效，其中传统稀疏估计器如lasso因偏差导致推断性能差。
• 通过引入联合惩罚结构，利用网络差异的已知稀疏性（尽管单个网络可能不稀疏），提升对真实差异的检测能力。

提出的方法

• 提出去偏多任务融合lasso，一种联合估计方法，对两个稀疏回归系数的差异施加融合lasso惩罚，促进差异的稀疏性，同时支持分布特性刻画。
• 推导出回归系数差异的去偏估计量的闭式高斯分布，从而通过置信区间和p值实现有效推断。
• 采用节点回归框架，将回归系数差异与精度矩阵差异关联，使方法适用于GGMs。
• 将去偏多任务融合lasso应用于估计和检验两个GGM之间边权重的差异，在差异稀疏性假设下具有理论保证。
• 使用ABIDE数据集的真实fMRI数据进行置换检验，将参数p值与非参数经验p值进行比较，确保第一类错误控制。
• 采用子采样和可重复性分析，评估在多次数据划分下检测边的稳定性，证明方法具有鲁棒性并减少假阳性发现。

实验结果

研究问题

• RQ1 我们能否在样本量小、变量数多的情况下，开发一种统计上有效的GGM差异检验方法？
• RQ2 如何提升在检测自闭症与对照组之间脑连接网络稀疏差异时的统计功效？
• RQ3 我们能否对稀疏估计器差异的抽样分布进行表征，以实现置信区间和p值，尽管l1惩罚引入了偏差？
• RQ4 通过利用网络差异的稀疏性（而非单个网络的稀疏性），是否能提升功能连接组分析中推断的统计功效和可靠性？

主要发现

• 与标准去偏lasso和投影岭回归相比，去偏多任务融合lasso在ABIDE fMRI数据集中显著提升了真实边差异的检测数量，同时保持了正确的第一类错误率。
• 置换检验表明，去偏多任务融合lasso的参数p值校准良好，观察到的假阳性率接近名义上的5%水平。
• 该方法表现出高度可重复性，100次子采样中频繁检测到相同边，表明在小样本条件下具有稳定可靠的推断能力。
• 去偏lasso和岭投影方法被发现过于保守，在数据中存在真实差异时仍检测到极少边。
• 反复选择边的连接组可视化揭示了MSDL图谱中默认模式网络和额顶网络区域的持续改变，支持已知的神经生物学发现。
• 与标准方法相比，该方法显著提升了统计功效，使在样本有限的真实神经影像研究中检测细微功能连接差异成为可能。