[论文解读] Towards Robust and Specific Causal Discovery from fMRI.

Kun Zhang, Biwei Huang+4 more|arXiv (Cornell University)|Sep 27, 2015

Functional Brain Connectivity Studies被引用 3

一句话总结

本文提出了一种针对fMRI的时间和条件特定的基于约束的因果发现方法，将时间或实验条件作为额外变量，以提高方法的鲁棒性和特异性。通过利用神经活动频率下的时滞条件独立性，该方法减少了虚假连接，并实现了准确的因果骨架和方向识别，已在模拟和真实fMRI数据上得到验证，性能表现强劲。

ABSTRACT

There are several issues with causal discovery from fMRI. First, the sampling frequency is so low that the time-delayed dependence between different regions is very small, making time-delayed causal relations weak and unreliable. Moreover, the complex correspondence between neural activity and the BOLD signal makes it difficult to formulate a causal model to represent the effect as a function of the cause. Second, the fMRI experiment may last a relatively long time period, during which the causal influences are likely to change along with certain unmeasured states (e.g., the attention) of the subject which can be written as a function of time, and ignoring the time-dependence will lead to spurious connections. Likewise, the causal influences may also vary as a function of the experimental condition (e.g., health, disease, and behavior). In this paper we aim to develop a principled framework for robust and time- or condition-specific causal discovery, by addressing the above issues. Motivated by a simplified fMRI generating process, we show that the time-delayed conditional independence relationships at the proper causal frequency of neural activities are consistent with the instantaneous conditional independence relationships between brain regions in fMRI recordings. Then we propose an enhanced constraint-based method for robust discovery of the underlying causal skeletons, where we include time or condition as an additional variable in the system; it helps avoid spurious causal connections between brain regions and discover time- or condition-specific regions. It also has additional benefit in causal direction determination. Experiments on both simulated fMRI data and real data give encouraging results.

研究动机与目标

• 解决由于采样频率较低而导致fMRI中时间延迟因果关系微弱且不可靠的挑战。
• 克服建模BOLD信号动态性的困难，通过将时间延迟的神经活动依赖关系与fMRI层面的即时条件独立性相联系。
• 通过在因果模型中显式引入时间或实验条件作为变量，考虑fMRI中时变且依赖于条件的因果结构。
• 通过利用神经层面时滞条件独立性与fMRI层面即时条件独立性之间的一致性，提升因果骨架恢复和方向识别的性能。
• 开发一种系统化且鲁棒的框架，用于检测fMRI数据中时间或条件特定的因果关系。

提出的方法

• 提出一种简化的fMRI生成过程，将神经活动中的时滞依赖关系与fMRI记录中的即时条件独立性相联系。
• 在基于约束的因果发现框架中，将时间或实验条件作为额外变量，以建模时间与条件特定的依赖关系。
• 应用增强的基于约束的方法来发现因果骨架，同时避免由未测量的时变状态引起的虚假连接。
• 利用神经活动频率下的时滞条件独立性与fMRI中即时条件独立性之间的一致性，以改善因果结构估计。
• 将时间或条件作为类似混淆因子的变量，以分离动态因果影响与虚假相关性。
• 利用额外变量通过减少条件独立性检验中的歧义，提升因果方向判断的准确性。

实验结果

研究问题

• RQ1 神经活动频率下的时滞条件独立性关系能否可靠地映射到fMRI数据中的即时条件独立性？
• RQ2 当采样频率较低且BOLD动态复杂时，如何在fMRI中稳健地发现时间或条件特定的因果结构？
• RQ3 将时间或实验条件作为变量引入后，对fMRI中因果骨架恢复的准确性提升程度如何？
• RQ4 所提出的方法能否减少由未测量的时变状态（如注意力）引起的虚假因果连接？
• RQ5 将时间或条件作为变量引入后，是否能增强fMRI数据中因果方向的识别能力？

主要发现

• 神经活动频率下的时滞条件独立性关系与fMRI记录中的即时条件独立性保持一致，验证了该方法的理论基础。
• 将时间或实验条件作为额外变量显著减少了fMRI数据中的虚假因果连接。
• 所提出的方法成功恢复了时间或条件特定的因果骨架，增强了对未测量时变状态的鲁棒性。
• 通过利用额外变量解决条件独立性检验中的歧义，该方法提升了因果方向判断的准确性。
• 在模拟fMRI数据上的实验表明，与标准基于约束的方法相比，该方法在因果结构恢复方面表现出更高的准确性。
• 真实fMRI数据实验结果令人鼓舞，该方法成功识别出合理且条件特定的因果网络。