基于fMRI和DTI数据的脑有效连接组:贝叶斯因果学习和评估

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 大脑成像分析分析

背景情况:

• 目前发现大脑有效连接体 (EC) 的方法受到fMRI数据的短样本大小,时间分辨率差以及大脑连接体的高维度的限制.
• 现有的因果发现方法难以使用仅使用fMRI数据准确识别EC,这阻碍了对大脑组织的全面理解.

研究的目的:

• 引入新的贝叶斯因果发现框架 (贝叶斯GOLEM和贝叶斯FGES),利用扩散张力图像 (DTI) 数据作为先前知识来增强EC发现.
• 开发和验证一种新的计算度量,即伪假发现率 (PFDR),用于数值评估神经科学研究中EC发现的准确性.
• 用合成,混合和经验数据评估拟议的贝叶斯方法和PFDR指标的准确性和可靠性.

主要方法:

• 开发两个贝叶斯因果发现框架:贝叶斯GOLEM (BGOLEM) 和贝叶斯FGES (BFGES).
• 在贝叶斯框架中将扩散张量成像 (DTI) 数据作为先前信息的整合.
• 引入和应用伪假发现率 (PFDR) 作为因果发现的新型准确度指标.
• 使用合成和混合数据集 (人类结合体项目DTI + 合成fMRI) 的模拟研究以及来自人类结合体项目 (HCP) 的实证数据进行验证.
• 使用罗杰斯-塔尼莫托指数对测试-重新测试数据的可重复性评估.

主要成果:

• 建议的贝叶斯方法 (BGOLEM和BFGES) 与传统方法相比,显著提高了有效连接体 (EC) 发现的准确性和可靠性.
• 伪虚假发现率 (PFDR) 指标有效量化了EC发现的准确性,证明了贝叶斯方法在HCP数据上的优越性.
• 贝叶斯方法产生更可复制的EC,正如在试验-重试数据上的更高的罗杰斯-塔尼莫托指数得分所证明的那样.

结论:

• 新的贝叶斯因果发现框架为准确可靠地识别大脑的有效连接组 (EC) 提供了重大进展.
• 开发的PFDR指标为评估神经成像中的因果发现准确性提供了可靠的计算工具.
• 这些进步具有巨大的潜力,可以通过改进的连接组映射来加深对大脑功能和组织的理解.