GEMReg：静止状態fMRIからのタスク活性化マップ予測のための時空間グレーディネートアンサンブルモデリングフレームワーク

科学分野:

• 神経画像法
• 神経科学
• 機械学習

背景:

• 静止状態機能MRI（rs-fMRI）は、その効率性と多様な集団への適合性から、タスクベースのfMRIの代替としてますます使用されている。
• rs-fMRIからタスク活性化マップを予測することは、特にrs-fMRIに固有の豊富な時間情報を活用する上で、依然として課題である。

研究 の 目的:

• タスク活性化マップをrs-fMRIデータのみから予測するための新しいフレームワーク、グレーディネートアンサンブルモデリング（GEMReg）を導入すること。
• タスク活性化マップ予測のためにrs-fMRIの時間的ダイナミクスを独自に活用すること。
• 予測精度を向上させるために、時間的特徴と空間的特徴の両方を統合する時空間アプローチを開発すること。

主な方法:

• 新しいグレーディネートアンサンブルモデリング（GEMReg）フレームワークを開発した。
• rs-fMRIからの多様な時間的特徴と表現（新しいヒストグラムベースの特徴を含む）を活用する時系列回帰としてタスク活性化マップ予測を定式化した。
• グレーディネートごとに59,412の個別モデルをトレーニングし、GEMRegフレームワーク内で最適な特徴-回帰子組み合わせを選択することにより予測を最適化した。
• 時間的特徴を従来の機能的結合マップベースの空間的特徴と統合して、時空間GEMRegを作成した。

主要な成果:

• 提案された時空間GEMRegは、rs-fMRIデータからタスク活性化マップを予測する上で、既存の方法を一貫して上回った。
• 標準的な評価指標全体で新しい最先端のパフォーマンスを達成した。
• 予測精度の向上に、時間的rs-fMRI情報と空間的特徴の統合の有効性を示した。

結論:

• 時空間GEMRegフレームワークは、rs-fMRIを使用したタスク活性化マップの予測において重要な進歩を表す。
• この新しいアプローチは、脳活動マッピングのためのより効率的で効果的な方法を提供する。特にタスクベースのfMRIが困難な集団に有益である。
• 本研究は、神経科学における予測モデリングのためにrs-fMRIの時間的ダイナミクスを活用する可能性を強調している。