随机矩阵理论工具用于功能磁共振成像检查的预测分析
Derek Berger1, Gurpreet S Matharoo2,3, Jacob Levman1,4,5
1St. Francis Xavier University, Department of Computer Science, Antigonish, Nova Scotia, Canada.
Journal of medical imaging (Bellingham, Wash.)
|June 16, 2023
概括
随机矩阵理论 (RMT) 对功能磁共振成像 (fMRI) 数据的分析显示了大脑连接的预测潜力. 然而,根据分析选择,结果会有很大的差异,这需要在fMRI研究中仔细解释RMT.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 数据科学数据科学数据科学
背景情况:
- 随机矩阵理论 (RMT) 是分析复杂系统的强大工具.
- 之前的研究已经将RMT应用于功能磁共振成像 (fMRI) 数据,并取得了有前途的结果.
- 然而,由于对分析选择的敏感性,fMRI中RMT发现的可靠性是不确定的.
研究的目的:
- 在fMRI数据中系统地评估RMT的实用性.
- 调查各种分析选择对基于RMT的特征预测的影响.
- 开发和利用开源软件,以从fMRI进行高效的RMT特征计算.
主要方法:
- 开发了开源软件,用于计算fMRI的RMT功能.
- 使用机器学习分类器检查RMT衍生特征 (eigenfeatures) 的交叉验证预测潜力.
- 系统地改变了预处理,规范化,RMT展开和特征选择方法.
- 在接收器运行特征曲线 (AUROC) 下的使用面积,以测量性能,解决类不平衡.
主要成果:
- 在82.4%的测试场景中,RMT衍生的特征显示出预测效用,超过了简单的基线方法.
- 对于特征特征的中位数AUROC在任务中从0.47到0.64不等,而基线则为0.42到0.62.
- 自身特征的性能分布比基线特征更广泛,对分析选择更敏感,表明潜力,但需要仔细选择.
结论:
- 源自RMT的特征对分析各种应用中的fMRI功能连接具有重大潜力.
- 这些特征的预测性能高度依赖于特定的分析决策.
- 由于这种敏感性,建议在解释现有和未来基于RMT的fMRI研究时谨慎.
