一种基于贝叶斯多重图分类器的功能性脑连接分类研究

医学检验 神经病学 医学影像 生命科学 医学 生物工程
老化 贝叶斯统计 功能性脑连接 多重图分类 变量选择

使用贝叶斯多层图分类器的功能性大脑连接研究

研究背景与问题陈述

近年来，针对老年人认知控制的研究日益受到重视，特别是在人口老龄化加速的背景下，理解老年人的认知功能变得尤为重要。这不仅因为其涉及的医疗成本，更由于老龄化社会带来的重大经济和社会影响。研究老年人在进行认知控制任务时大脑功能连接的变化可以为认知神经科学领域提供宝贵的见解。本研究旨在通过功能性磁共振成像（fMRI）数据来探讨认知功能衰退与大脑各区域间相互关系的联动性。

论文来源与作者信息

本文由 Sharmistha Guha、Jose Rodriguez-Acosta 和 Ivo D. Dinov 撰写，来自德克萨斯农工大学与密歇根大学。该论文于 2024 年 5 月 22 日被《Neuroinformatics》期刊接受发表，详细链接为 https://doi.org/10.1007/s12021-024-09670-w。

研究流程

数据获取与处理

本研究使用功能性磁共振成像（fMRI）数据来生成功能连接图。这些数据来自参与了抑制任务和启动任务的 144 名年龄在 20 至 86 岁之间的健康老年人。这些任务用以测量认知控制过程中大脑不同区域的功能性活动。具体流程如下：

  1. 数据采集：使用 Siemens 3T MRI 扫描仪记录参与者在进行抑制和启动任务期间的大脑功能活动。
  2. 任务执行：实验期间参与者仰躺在扫描床上，通过镜面观察屏幕上显示的实验刺激，右手持响应盒，使用食指和中指对刺激作出反应。
  3. 数据预处理：数据预处理包括刚体对准、异常体积移除、心脏和呼吸噪音校正、时间校准、空间平滑、时间趋势去除、运动参数回归、无兴趣区域信号回归、以及将数据配准到标准空间（MNI space）。

模型构建与算法设计

由于需要对二元年龄结果（正常或衰老）进行分类，同时使用多层图作为预测变量，本研究提出了一种贝叶斯多层图分类器（Bayesian Multiplex Graph Classifier，BMGC）：

  1. 回归框架构建：建立一个高维广义线性模型，将功能连接图的边系数看作由两点隐效应的双线性交互来建模，这样可以合理处理多层图的拓扑结构。
  2. 变量选择：在所有层的节点特定隐效应上采用一个变量选择框架，以确定与结果显著相关的节点。
  3. 计算方法：采用计算效率较高的贝叶斯方法，定量评估节点识别、系数估计和二元结果预测的不确定性。

算法验证与性能评估

研究使用模拟数据和实际功能磁共振成像（fMRI）数据进行模型验证：

  1. 模拟数据生成：生成不同层数和节点稀疏水平的模拟数据，用以检验模型的性能。通过构建低秩系数矩阵，模拟数据的真实标签进行验证。
  2. 性能比较：与包括 Lasso、Bayesian Lasso、Bayesian Horseshoe、Tensor Regression 和神经网络在内的多种算法进行比较，评估其在系数估计与预测推断中的性能。

主要研究结果

模拟数据结果

通过模拟实验发现，BMGC 在节点识别、系数估计和预测准确性三个方面均表现优异：

  1. 节点识别准确性：在高节点稀疏性条件下，模型能准确识别重要节点，且不确定性较低。
  2. 系数估计：在模拟的所有场景中，BMGC 的均方误差（MSE）均小于竞争对手，特别是在高节点密度时。
  3. 预测性能：在持出测试样本上的受试者工作特征曲线（ROC）曲线下面积（AUC）和 F1 得分显示，BMGC 的分类准确性明显优于其他算法。

实际数据结果

在真实的 fMRI 数据分析中，BMGC 成功识别出与早期衰老相关的大脑区域：

  1. 大脑连接对称性与非对称性：在感官运动区域发现明显的对称连接，而在默认模式网络中观察到明显的不对称连接。
  2. 分类性能：与模拟数据类似，BMGC 显示出优异的分类性能，其 AUC 和 F1 分数均显著高于其他方法。

研究结论与意义

科学及应用价值

本文提出的贝叶斯多层图分类器（BMGC）在处理多层图结构的数据时，展示了出色的性能。该模型能够准确识别与结果相关的节点，特别适用于中等样本量且节点间存在复杂交互的情况。此外，BMGC 在不同数据集上的优异表现证明了其广泛的应用潜力，包括但不限于神经科学与基因组学数据分析。

研究亮点

  1. 新颖的方法：提出了处理多层图数据的贝叶斯多层图分类器框架，兼具模型简洁性和分类准确性。
  2. 多层图结构利用：通过双线性交互的隐效应有效捕捉图层间的复杂关联，明显提升了预测性能。
  3. 不确定性量化：贝叶斯方法天然的优势在于提供了对节点识别的不确定性量化，这是其他方法无法实现的一大优势。

未来研究方向

未来的研究可以进一步探讨非线性边效应对分类结果的影响，结合半参数模型捕捉更复杂的关联。此外，还可以进一步分析左右大脑半球差异的后验概率分布，以更好地理解脑对称性与非对称性在不同病理状态下的表现。

附录与其他信息

完整的 fMRI 数据以及计算工具、协议和补充材料可以通过以下网址获取：https://socr.umich.edu/docs/uploads/2024/fmri_corr_pilot.html 和 https://github.com/jeroda7105/classification-with-multi-layer-graphs。

结论与未来工作

本文为解决使用多层图进行分类的问题提供了一个创新的贝叶斯框架，对老年人群的认知控制任务中大脑功能连接的研究具有重要意义。未来的研究将在此基础上扩展模型，以应对更加复杂的数据结构与实际应用场景。